📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 6,268 dokumenPENGEMBANGAN KNOWLEDGE – BASED SYSTEM MENGGUNAKAN REPRESENTASI PENGETAHUAN KNOWLEDGE GRAPH DALAM MENDIAGNOSIS PENYAKIT PARU – PARU
Penyakit paru–paru merupakan penyakit yang berada di peringkat 10 besar penyakit paling mematikan di Indonesia berdasarkan data dari Hello Sehat (Kemenkes) di tahun 2023. Penerapan AI dapat dimanfaatkan untuk melakukan pendeteksian penyakit paru–paru. Salah satu jenis AI yang paling sering digunakan di bidang kesehatan adalah Knowledge – Based System, yang juga termasuk Expert System. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sebuah prototipe Knowledge – Based System dengan representasi pengetahuan menggunakan Knowledge Graph untuk memastikan bahwa pengetahuan yang menjadi bagian utama dari Knowledge – Based System dapat terpetakan dengan baik, terutama dengan aspek skalabilitas untuk penelitian kedepannya, di mana Knowledge Graph itu sendiri sangat mudah untuk scalable. Knowledge Based System juga dibantu menggunakan model Multinomial Logistic Regression untuk dapat memprediksi intent / tujuan dari pengguna menanyakan hal tersebut. Hasil evaluasi yang melibatkan pakar untuk proses validasi menunjukkan bahwa prototipe Knowledge – Based System dengan representasi pengetahuan Knowledge Graph dengan model Multinomial Logistic Regression yang diimplementasikan mendapatkan akurasi sebesar 96% dari 25 pertanyaan. Selain itu, untuk blind testing hasil pengetesan intent yang dilakukan menggunakan 100 contoh kalimat yang belum pernah menjadi data latih model, didapatkan akurasi sebesar 83%. Kesimpulannya, implementasi Knowledge – Based System dengan menggunakan representasi pengetahuan Knowledge Graph, yang juga dibantu menggunakan model Multinomial Logistic Regression terbukti dapat berhasil diimplementasikan sebagai prototipe chatbot yang dapat digunakan untuk menjawab pertanyaan seputar penyakit paru–paru dengan akurasi yang baik. Selain fungsionalitas dari sistem, prototipe chatbot yang menggunakan Knowledge – Based System dapat diterima dengan baik oleh pakar, serta berpotensi untuk digunakan bagi daerah yang tidak memiliki dokter spesialis paru-paru.
PENGEMBANGAN ORKESTRASI MULTI-AGENT AI BERBASIS LLM LOKAL UNTUK KONFIGURASI DAN ANALISIS JARINGAN SKALA MENENGAH
Penelitian ini membahas pengembangan orkestrasi multi-agent Artificial Intelligence (AI) berbasis Large Language Model (LLM) lokal untuk mendukung konfigurasi dan analisis jaringan skala menengah. Kompleksitas jaringan modern, tingginya volume telemetri, serta keberadaan perangkat multi-vendor menyebabkan pengelolaan jaringan secara manual menjadi tidak efisien, rawan human error, dan membutuhkan waktu penanganan yang lama. Penelitian ini berfokus pada pengembangan subsistem Backend-AI yang mampu membantu proses analisis jaringan dan otomatisasi konfigurasi menggunakan antarmuka bahasa alami tanpa ketergantungan terhadap layanan cloud eksternal. Sistem dikembangkan menggunakan pendekatan agentic AI berbasis multi-agent yang terdiri atas engineer agent, analyst agent, dan verifier agent. Engineer agent bertugas menghasilkan konfigurasi perangkat jaringan berdasarkan instruksi pengguna, analyst agent melakukan pemantauan telemetri jaringan untuk mendeteksi anomali dan memberikan rekomendasi perbaikan, sedangkan verifier agent bertugas memvalidasi keseluruhan rencana konfigurasi dan hasil analisis. Backend-AI dibangun menggunakan model LLM lokal yang dijalankan melalui Ollama serta dipadukan dengan Retrieval-Augmented Generation (RAG) menggunakan ChromaDB untuk memperkaya konteks inferensi dan mengurangi hallucination pada model. Penelitian ini juga mengintegrasikan Model Context Protocol (MCP) sebagai middleware untuk menghubungkan sistem AI dengan perangkat jaringan melalui protokol SSH, serial, dan telnet. Pengujian dilakukan pada berbagai skenario konfigurasi jaringan, seperti OSPF, DHCP, VLAN, Etherchannel. Pengujian juga dilakukan pada berbagai skenario analisis lalu lintas jaringan seperi link down, native VLAN mismatch, dan DHCP pool exhaustion menggunakan simulator jaringan GNS3. Hasil pengujian menunjukkan bahwa sistem mampu menghasilkan konfigurasi jaringan dengan tingkat keberhasilan di atas 90% serta memberikan analisis anomali jaringan dengan tingkat akurasi di atas 4.50/5.00 menggunakan sumber daya lokal tanpa koneksi internet. Kebaruan penelitian ini terletak pada integrasi agentic AI, RAG, dan MCP dalam sebuah orkestrasi multi-agent berbasis LLM lokal untuk kebutuhan otomasi jaringan multi-vendor. Sistem yang dikembangkan tidak hanya mampu memberikan rekomendasi, tetapi juga mendukung analisis dan eksekusi konfigurasi secara terintegrasi pada lingkungan jaringan nyata maupun simulasi. Penelitian ini diharapkan dapat memberikan kontribusi terhadap pengembangan otomasi jaringan cerdas yang lebih efisien, aman, dan adaptif pada lingkungan jaringan skala menengah.
INTEGRASI ANALISIS PROTEOMIK DAN PEMODELAN IN-SILICO ISOFORM LEKTIN PISANG UNTUK IDENTIFIKASI PENANDA N-GLIKAN TINGGI MANOSA PADA KANKER PAYUDARA
Perkembangan kanker payudara juga disertai peningkatan N-glikan tipe tinggi manosa pada glikoprotein permukaan sel. Hal ini membuka peluang pemanfaatan molekul pengikat glikan untuk deteksi kanker, salah satunya BanLec. BanLec merujuk pada lektin pisang famili jacalin-related (JRL) yang memiliki afinitas terhadap manosa. Penelitian ini bertujuan untuk mengkarakterisasi lektin Musa balbisiana dan Musa troglodytarum, serta mensimulasikan BanLec sebagai molekul pengenal glikan melalui pemodelan komputasional. Identifikasi lektin dilakukan melalui analisis proteom LCHRMS/ MS terhadap daging buah pisang Musa balbisiana dan Musa troglodytarum pada tingkat kematangan Peel Color Index (PCI) 6. Hasil analisis proteomik terhadap pisang M. troglodytarum dan M. balbisiana secara berturut-turut menunjukkan sebanyak 1093 dan 322 kelompok protein yang teridentifikasi. Pada M. troglodytarum dan M. balbisiana secara berturut-turut, sebanyak 3.8% dan 12.4% dari total proteom merupakan kelompok lektin serta 7 dan 8 lektin di antaranya merupakan BanLec. Selanjutnya urutan asam amino BanLec diseleksi berdasarkan motif pengikat karbohidrat, dimodelkan 3D dengan SWISS-MODEL, dievaluasi dengan MolProbity, dan dilakukan studi penambatan molekuler terhadap Man?–Man?GlcNAc? yang dilaporkan meningkat pada kanker payudara menggunakan HADDOCK 2.4. Kompleks terbaik disimulasikan selama 100 ns dalam GROMACS dengan parameter CHARMM36m, diikuti perhitungan energi bebas ikatan dan dekomposisi energi MM/PBSA. BanLec B dan T membentuk kompleks paling stabil dengan Man?GlcNAc? dan Man7GlcNAc? (?G mencapai ?33.44±6.68 dan ?31.32±7.24 kkal mol?¹). Hal ini didorong oleh kontribusi van der Waals dan elektrostatik yang tinggi, sementara seluruh BanLec berinteraksi lemah dengan Man6GlcNAc? (?G hingga ?1,6 kkal mol?¹). Semua kompleks tetap stabil secara konformasional dengan RMSD backbone sekitar 1,25–1,75 Å dan radius girasi yang kompak selama 100 ns. Secara keseluruhan, penelitian ini menunjukkan bahwa BanLec B dan T teridentifikasi melalui analisis proteomik; mamp mengenali N-glikan tinggi manosa secara stabil; dan dapat diaplikasikan sebagai platform diagnostik berbasis lektin, seperti antibody-lectin sandwich assay.
DETEKSI SERANGAN DISTRIBUTED DENIAL OF SERVICE (DDOS) PADA SOFTWARE DEFINED NETWORKING (SDN) MENGGUNAKAN PENDEKATAN HYBRID DEEP LEARNING BERBASIS CNN-LSTM-TRANSFORMER
Teknologi Software-Defined Networking (SDN) menawarkan fleksibilitas pengelolaan jaringan melalui pemisahan control plane dan data plane. Namun, arsitektur terpusat ini kerentanan single point of failure terhadap serangan Distributed Denial-of-Service (DDoS) yang dapat melumpuhkan controller dan mengganggu ketersediaan layanan. Meskipun berbagai pendekatan deep learning telah diusulkan, mayoritas masih terbatas pada evaluasi offline menggunakan fitur dataset berdimensi tinggi yang tidak kompatibel dengan statistik protokol OpenFlow, serta minimnya validasi operasional secara real-time. Penelitian ini mengusulkan kerangka kerja deteksi dan mitigasi DDoS berbasis aliran (flow-based) menggunakan model hibrida CNN-LSTM-Transformer. Model ini mengintegrasikan Convolutional Neural Network (CNN) untuk ekstraksi fitur spasial, Long Short-Term Memory (LSTM) untuk dependensi temporal, dan Transformer untuk menangkap konteks global melalui mekanisme self-attention. Evaluasi offline dilakukan pada tiga dataset publik (CIC-DDoS2019, inSDN, dan CIC-IDS2017) menggunakan 71 fitur, sementara validasi real-time diimplementasikan pada testbed Mininet dan controller Ryu (OpenFlow 1.3) menggunakan 11 fitur operasional yang kompatibel dengan statistik OpenFlow. Hasil evaluasi offline menunjukkan model usulan mencapai tingkat akurasi 99,87% (CIC-DDoS2019), 99,98% (inSDN), dan 99,93% (CIC-IDS2017), dengan waktu konvergensi yang lebih cepat dan validation loss yang lebih rendah dibandingkan model tanpa Transformer. Pada fase validasi real-time, sistem mampu mendeteksi serangan flooding (UDP, TCP SYN, dan ICMP) dalam waktu 0,0693 hingga 0,2668 detik. Mekanisme mitigasi otonom menggunakan instruksi drop rules terbukti efektif mencegah saturasi komputasi dengan memulihkan utilisasi CPU controller dari 52,6%-91,4% ke rentang 0,7%-1,7%. Penelitian ini berhasil menjembatani kesenjangan (deployment gap) antara metrik klasifikasi offline dan kelayakan implementasi mitigasi pada jaringan SDN.
PERANCANGAN SISTEM AKUISISI DAN PEMROSESAN SINYAL FASE GAIT BERBASIS SMART INSOLE KAPASITIF DAN IMU
Analisis gait kuantitatif diperlukan untuk mendukung evaluasi rehabilitasi yang objektif. Penelitian ini mengembangkan sistem smart insole pair berbasis sensor kapasitif dan IMU untuk akuisisi tekanan plantar, preprocessing, dan evaluasi awal klasifikasi fase gait. Setiap insole terdiri atas delapan sensing pad kapasitif, front- end LC-tank FDC2212, multiplexer, ESP32-S3, dan BNO055. Evaluasi akuisisi dilakukan pada lima subjek dengan 90 file kiri dan 90 file kanan; preprocessing pada 753 file dari 20 folder subjek; dan klasifikasi pada tiga subjek berlabel dengan 45 file Excel. Akuisisi menggunakan UDP host-polling dengan tare calibration, sinkronisasi, visualisasi, dan ekspor data. Data raw offset-adjusted diproses melalui estimasi frekuensi sampling, resampling, perbaikan channel bermasalah, target pseudo-clean, denoising autoencoder, stabilisasi regional, dan filtering gyroscope. Sistem mencapai effective rate steady-state 40,187 Hz kiri dan 40,171 Hz kanan; R² sensor 0,9971 pada heel dan 0,9651 pada toes/forefoot. Preprocessing menurunkan kekasaran Average 56,2% dan channel S1–S8 80,7%, dengan korelasi heel–toes 0,9008. Klasifikasi MultiRocket-Hydra–DrCIF menghasilkan macro-F1 raw 38,47%/40,23% dan filtered 35,40%/43,27% untuk kiri/kanan, sehingga sistem layak sebagai platform akuisisi dan preprocessing gait, sementara klasifikasi masih perlu pengembangan.
MEMBANDINGKAN METODE PENCOCOKAN CITRA BERBASISKAN AREA (AREA-BASED MATCHING) YANG TERBAIK BERDASARKAN SENSITIVITAS TERHADAP NOISE DAN NILAI KORELASI DIANTARA : SINGLE VEKTOR CORRELATION, SEPARATE CHANNEL MEAN VALUE, WEIGHTED CHANNEL MEAN VALUE, DIFFERENT CORRELATION
Pencocokan citra (image matching) adalah usaha untuk mengidentifikasi dan mengukur derajat kesamaan/kecocokan objek pada dua atau lebih foto yang bertampalan. Ada banyak metode pencocokan citra, salah satunya yang banyak digunakan adalah metode pencocokan citra berbasis area (area based matching-ABM). Metode ini menggunakan nilai korelasi sebagai evaluasi tingkat keberhasilan pencocokan citra. Beberapa metode ABM yang banyak digunakan diantaranya adalah korelasi vektor tunggal (single vector correlation-SVC), korelasi nilai rata-rata kanal terpisah (separate channel mean value-SCMV), korelasi nilai rata-rata kanal yang diberi bobot (weighted channel mean value-WCMV), teknik korelasi nilai selisih (different correlation-DC). Data citra foto untuk pemetaan secara fotogrametri seringkali mempunyai derau (noise) yang akan mempengaruhi kualitas data tersebut. Kualitas data citra ini sangat berpengaruh juga terhadap tingkat keberhasilan pencocokan citra berbasis area. Evaluasi sensitifitas terhadap derau menjadi penilaian untuk memilih teknik-teknik korelasi pada metode pencocokan citra berbasis area. Oleh karena itu pada penelitian ini akan dilakukan evaluasi nilai korelasi pada citra dengan derajat derau yang berbeda pada keempat teknik korelasi ABM sehingga dihasilkan teknik korelasi yang terbaik.
PERANCANGAN PROTOTIPE PERANGKAT LUNAK PENDUKUNG PERAMALAN PERMINTAAN PRODUK PT XYZ MENGGUNAKAN MODEL TIME SERIES FORECASTING
PT XYZ merupakan perusahaan yang bergerak di bidang elektrifikasi, automasi, dan digitalisasi. Secara tradisional PT XYZ menjual produknya dengan model Business-to-Business (B2B). Namun, beberapa produk mulai dijual secara langsung melalui channel e-commerce. Dalam penjualan melalui channel baru ini, terdapat symptom permasalahan berupa terjadinya overstocking dan lost sales. Analisis akar masalah dilakukan lalu ditetapkan tujuan penelitian yaitu merancang prototipe perangkat lunak pendukung peramalan permintaan produk PT XYZ yang dijual melalui channel e-commerce. Metodologi penelitian dirancang berdasarkan framework CRISP-DM. Tahap modeling dilakukan untuk model existing dan 4 model usulan. Dua model usulan tersebut, yaitu ETS dan ARIMA, termasuk ke dalam model statistika. Dua model usulan lainnya, yaitu LSTM dan GRU, tergolong ke dalam model neural networks dan dilakukan integrasi dengan teknik time series clustering menggunakan algoritma K-Means dan dynamic time warping (DTW) untuk meningkatkan performansi. Hasil evaluasi model menunjukkan bahwa model GRU, dengan kombinasi time series clustering, memiliki performansi terbaik. Model GRU berhasil menurunkan nilai mean absolute scaled error (MASE) dari 83,66% pada metode existing menjadi 71,36%. Hasil ini memberikan nilai tambah bagi bisnis yang dihitung menggunakan price-weighted error, dan berhasil memperbaiki price-weighted error sebesar 18,08% relatif terhadap metode existing. Dari model terpilih dan tahapan lainnya pada penelitian, dibangun suatu prototipe perangkat lunak yang mengurangi waktu forecast dari 1-2 hari kerja menjadi 14 menit dan 42 detik.
ANALISIS MODEL SEMANTIK IFC UNTUK MEMBANGUN SISTEM INFORMASI ASET IRIGASI, STUDI KASUS BENDUNG PATARUMAN
Perkembangan teknologi Building Information Modeling (BIM) dan standar data terbuka Industry Foundation Classes (IFC) memungkinkan representasi aset infrastruktur tidak hanya dalam bentuk geometrik, tetapi juga sebagai basis informasi teknis dan operasional. Penelitian ini bertujuan untuk mengembangkan metode pengayaan semantik secara massal pada model IFC bangunan pembagi dalam sistem irigasi Bendung Pataruman dengan memanfaatkan IfcOpenShell untuk menambahkan property set berbasis domain irigasi. Data yang digunakan meliputi model geometrik dalam format IFC hasil pemodelan Scan-to-BIM dari point cloud multi-source, yaitu TLS, GeoSLAM, dan iPad LiDAR, serta data nongeometrik berupa parameter hidrolik yang telah diolah. Metode pengayaan semantik dilakukan secara bertahap melalui penerapan property set yang meliputi IRG_IdentitasAset, IRG_KlasifikasiFungsi, IRG_MetadataEnrichment, IRG_Operasional, dan IRG_Hidrolik. Property set tersebut diterapkan sesuai fungsi dan relevansi operasional masing-masing elemen. Evaluasi kuantitatif menunjukkan peningkatan kandungan informasi nongeometrik pada model IFC bangunan pembagi. Jumlah IfcRoot meningkat sebesar 198,42%, IfcRelDefinesByProperties dan IfcPropertySet meningkat sebesar 331,05%, total properti meningkat sebesar 178,07%, property ratio per objek meningkat dari 11,94 menjadi 33,19, serta coverage objek dengan property set mencapai 100%. Struktur hierarki spasial dan jumlah objek fisik tetap terjaga, sehingga pengayaan semantik berhasil meningkatkan kandungan informasi tanpa mengubah geometri model. Validasi terbatas pada model IFC bangunan sifon dan bangunan utama Bendung Pataruman menunjukkan bahwa alur pengayaan semantik dapat diterapkan kembali pada model dengan jumlah objek fisik yang berbeda. Hasil penelitian menunjukkan bahwa metode pengayaan semantik massal berbasis IfcOpenShell mampu meningkatkan konsistensi, ketercakupan, dan kepadatan informasi nongeometrik pada model IFC. Pendekatan ini mendukung interoperabilitas OpenBIM dan berpotensi memperkuat pengelolaan aset irigasi berbasis data secara lebih terstruktur dan informatif.
ANALISIS FAILURE FRACTION BAHAN BAKAR REAKTOR PELUIT 10 MWT MENGGUNAKAN KODE VSOP DAN TRIAC-BATAN
Perubahan iklim yang terjadi berada dalam tahap yang cukup ekstrim hingga mencapai kenaikan temperatur global 2°C. Emisi karbon berlebih merupakan salah satu penyebab pemanasan global sehingga perlu dilakukan upaya-upaya untuk mengurangi emisi tersebut. BRIN mendesain reaktor PeLUIt (Pembangkit Listrik dan Uap Industri) sebagai salah satu upaya untuk mengurangi emisi karbon. Selain energi, reaktor ini difungsikan sebagai fasilitas kogenerasi panas untuk keperluan industri. Reaktor ini ditargetkan dapat menggantikan pembangkit listrik diesel. Reaktor berbasis HTGR pebble bed ini dengan desain skala yang lebih kecil diharapakan dapat dibangun dalam waktu yang relatif singkat dan ekonomis, sehingga sesuai untuk diterapkan pada daerah-daerah terpencil yang memerlukan pasokan listrik, namun tetap menghindari pembangkit listrik diesel untuk mengurangi emisi karbon yang mana selaras dengan tujuan NZE. Aspek keselamatan menjadi penting dalam hal ini meskipun desain dari PeLUIt didasarkan pada reaktor yang sudah berhasil beroperasi yaitu HTR-10. Salah satu aspek keselamatan adalah fraction failure atau fraksi kegagalan bahan bakar. Penelitian ini bertujuan untuk melihat seberapa besar failure fraction dalam geometri teras yang berbeda. Rasio H/D height/diameter yang digunakan adalah 0,9 untuk meminimalisir material fisil yang dibutuhkan untuk mencapai kondisi kritis pada teras. Volume teras optimal yang didapatkan adalah 3,7m3 dengan batas nilai burnup 41,58 MWd/kg-HM. Dalam kondisi kecelakaan DLOFC (Depressurized Loss Of Forced Cooling), temperatur bahan bakar berada dibawah ambang batas keselamatan 1600°C pada seluruh volume teras yang ditinjau. Failure fraction bahan bakar juga masih berada dibawah batas selamat (5,35×10-4 ), sedangkan untuk volume optimal 3,7m3 nilainya adalah 2,33405×10-4 . Berdasarkan hasil yang didapat, reaktor PeLUIt memiliki aspek keselamatan inheren yang baik dan mampu mempertahankan aspek keselamatan dalam kondisi kecelakaan parah sekalipun.
ANALISIS FAKTOR BERGANDA UNTUK TABEL KONTINGENSI PADA MASALAH KESEHATAN MENTAL DAN FAKTOR TERKAIT KESEHATAN MASYARAKAT ABORIGIN DAN KEPULAUAN SELAT TORRES AUSTRALIA TAHUN 2018-2019
Kesehatan mental masyarakat First Nations di Australia dipengaruhi oleh berbagai faktor seperti usia, jenis kelamin, tingkat mastery, tekanan psikologis, dan dukungan sosial. Penelitian ini bertujuan untuk menganalisis hubungan antara kondisi kesehatan mental dan faktor yang berkaitan serta mengidentifikasi kontribusi masing-masing variabel dalam membentuk struktur data. Metode yang digunakan adalah Analisis Korespondensi (AK) untuk melihat hubungan secara parsial pada masing-masing tabel, serta Multiple Factor Analysis for Contingency Tables (MFACT) untuk mengintegrasikan seluruh tabel kontingensi ke dalam satu kerangka analisis global. Dalam MFACT, dilakukan pembobotan menggunakan nilai eigen pertama dari analisis pseudo-terpisah untuk menghindari dominasi tabel tertentu. Selain itu, dilakukan penyesuaian skala untuk meningkatkan kejelasan visualisasi tanpa mengubah struktur. Hasil penelitian menunjukkan bahwa secara global, struktur utama kondisi kesehatan mental didominasi oleh faktor-faktor psikososial, yaitu dukungan sosial, tingkat mastery, tekanan psikologis, dan jenis kelamin, yang membentuk dimensi pertama dengan kontribusi sebesar 69,74%. Sementara itu, faktor usia memberikan kontribusi utama pada dimensi kedua sebesar 21,99% dan menunjukkan pola yang relatif independen terhadap faktor lainnya. Hasil analisis juga menunjukkan bahwa penggunaan pembobotan pseudo-terpisah dalam MFACT mampu menghasilkan representasi yang lebih seimbang antar tabel, meskipun menyebabkan titik-titik cenderung terpusat di sekitar titik asal. Melalui penyesuaian skala, pola hubungan antar variabel dapat divisualisasikan dengan lebih jelas tanpa mengubah interpretasi substantif. Secara keseluruhan, penelitian ini menunjukkan bahwa MFACT efektif untuk menganalisis data kategorik multivariat dengan banyak tabel kontingensi, serta mampu memberikan pemahaman yang lebih komprehensif mengenai hubungan antara kesehatan mental dan faktor-faktor yang berkaitan.
POTENSI ENERGI GELOMBANG LAUT DAN KELAYAKAN EKONOMI IMPLEMENTASI WAVE ENERGY CONVERTER (WEC) DI PERAIRAN BALI DAN SEKITARNYA
Konsumsi listrik Indonesia meningkat hampir sembilan kali lipat dalam tiga dekade terakhir dan masih didominasi energi fosil yang merupakan penghasil emisi karbon tinggi, sehingga diperlukan identifikasi lokasi tepat serta kajian kelayakan ekonomi pengembangan energi gelombang laut untuk mendukung Bali yang menargetkan Net Zero Emission (NZE) 2045. Penelitian ini bertujuan mengidentifikasi lokasi rekomendasi pengembangan energi gelombang laut di perairan Bali dan sekitarnya, serta mengevaluasi kelayakan ekonomi implementasi dua jenis Wave Energy Converter (WEC), yaitu Wave Roller dan Wave Dragon, berdasarkan karakteristik gelombang laut. Metodologi penelitian meliputi simulasi gelombang laut menggunakan model Simulating WAves Nearshore (SWAN) resolusi tinggi hingga 50 m selama periode Januari–Desember 2024, diikuti perhitungan rapat daya gelombang, estimasi produksi energi berdasarkan power matrix WEC, dan analisis Levelized Cost of Energy (LCoE) dengan beberapa skenario. Hasil penelitian menunjukkan enam lokasi potensial dengan puncak energi pada Juni–Agustus. T1 di selatan Nusa Penida merupakan lokasi paling unggul untuk Wave Roller dengan rata-rata rapat daya gelombang setahun sebesar 28,97 kW/m, produksi energi 2.158,3 MWh per unit, dan capacity factor 24,62%, sementara T4 unggul untuk Wave Dragon dengan produksi 16.341,1 MWh per unit dan capacity factor 31,60%. Nilai LCoE Wave Roller berkisar 2.488,00–9.604,00 IDR/kWh dan Wave Dragon 1.944,00–6.573,00 IDR/kWh. Perairan Bali dan sekitarnya merupakan kawasan prioritas pengembangan energi gelombang laut yang berpotensi tinggi serta secara ekonomi layak, sehingga dapat memberikan kontribusi signifikan dalam mendukung target NZE Bali 2045.
EVALUASI KOMPARATIF KINERJA SEL SURYA PEROVSKIT \MATHRM{FASNI_{3}} DAN SILIKON KOMERSIAL DI IKLIM TROPIS BANDUNG MELALUI SIMULASI SCAPS-1D DAN PVSYST
FASnI? merupakan kandidat material fotovoltaik ramah lingkungan dengan celah pita langsung sekitar 1,42 eV yang secara teoretis optimal untuk konversi energi surya. Namun, ion Sn²? pada FASnI? sangat rentan teroksidasi menjadi Sn?? saat terpapar oksigen atau uap air, sehingga memicu pembentukan cacat vakansi yang berperan sebagai pusat rekombinasi non-radiatif dan menurunkan kinerja sel. Studi-studi komputasional sebelumnya telah mengevaluasi sel surya FASnI? pada kondisi laboratorium ideal, sedangkan kelayakan operasionalnya pada iklim tropis dengan dominasi iradiasi difus belum pernah dikuantifikasi. Penelitian ini merupakan studi simulasi numerik yang dilakukan dalam dua tahap untuk membandingkan kinerja sistem PLTS berbasis FASnI? terhadap Silikon (Si) komersial di bawah kondisi meteorologi riil Bandung yang memiliki fraksi iradiasi difus tahunan 43,5%. Tahap pertama menggunakan SCAPS-1D untuk mengarakterisasi degradasi kelistrikan sel surya perovskit FASnI? pada delapan variasi densitas cacat (Nt) dari 10¹¹ hingga 10¹? cm?³; tahap kedua menggunakan PVsyst 8.1.1 dengan data Meteonorm 9.0 Bandung untuk mengevaluasi performance ratio (PR) dan specific yield (SY) sistem. Hasil simulasi SCAPS-1D menunjukkan bahwa kenaikan Nt mendegradasi efisiensi konversi sel surya dari 27,59% menjadi 9,81%, Voc dari 1,065 V menjadi 0,768 V, serta fill factor (FF) dari 88,43% menjadi 68,26%. Pada skala sistem, PR sistem PLTS FASnI? menurun dari 83,4% menjadi 69,13% terhadap Si sebesar 76,78%, sedangkan SY turun dari 1.615 menjadi 1.338 kWh/kWp/tahun di bawah referensi Si 1.486 kWh/kWp/tahun. Berbeda dari studi sejenis yang hanya melaporkan efisiensi sel, penelitian ini mengungkap bahwa sel surya perovskit FASnI? memiliki rugi termal lebih rendah daripada sel surya Si pada kondisi densitas cacat rendah (Nt ? 1015 cm-3), namun keunggulan hilang setelah Nt melampaui 10¹? cm?³. Batas toleransi kritis tersebut merupakan kontribusi kuantitatif berupa ambang densitas cacat oksidasi maksimum yang dapat ditoleransi sebelum performa operasional FASnI? menjadi setara atau lebih rendah dibandingkan silikon pada iklim tropis.
PENGEMBANGAN SISTEM DETEKSI KANTUK PADA PEMBELAJARAN DARING MENGGUNAKAN MEDIAPIPE FACE MESH DENGAN TEMPORAL SMOOTHING
Transisi ke pembelajaran daring sinkronus menimbulkan tantangan bagi pengajar dalam memantau keterlibatan siswa secara real-time, terutama ketika penurunan atensi sulit diamati melalui layar video. Deteksi kantuk dapat digunakan sebagai proksi dari penurunan keterlibatan perilaku siswa, tetapi penerapan sistem deteksi berbasis computer vision pada lingkungan pembelajaran daring perlu mempertimbangkan keterbatasan perangkat klien dan bandwidth jaringan. Penelitian ini merancang sistem deteksi kantuk berbasis web menggunakan MediaPipe Face Mesh, komputasi geometris Eye Aspect Ratio (EAR) dan Mouth Aspect Ratio (MAR), serta Temporal Smoothing berbasis Exponential Moving Average (EMA). Sistem menerapkan arsitektur Server-Side Inference dengan pengambilan sampel 1 Frame Per Second (FPS) untuk mengurangi beban pemrosesan pada perangkat klien. Untuk menjaga keandalan masukan dan privasi siswa, sistem dilengkapi pra-pemrosesan citra sisi-klien (koreksi kecerahan otomatis dan penyaringan blur berbasis Variance of Laplacian), pencatatan bukti peringatan berbasis teks alih-alih citra, serta verifikasi manual opsional oleh guru (human-in-the-loop). Berdasarkan evaluasi menggunakan dataset YawDD, konfigurasi EMA 0,9 menghasilkan kinerja dengan akurasi 96,88% dan False Positive 2,19%. Dari sisi performa sistem, latensi pemrosesan internal tercatat sebesar 240 ms dan sistem mampu beroperasi stabil hingga 50 pengguna konkuren pada lingkungan evaluasi. Pengujian System Usability Scale (SUS) menghasilkan skor 76,75 yang termasuk kategori Acceptable. Hasil tersebut menunjukkan bahwa sistem berpotensi mendukung pemantauan indikasi penurunan keterlibatan perilaku siswa dalam pembelajaran daring.
EVALUASI EFEK FITUR HAPTIC FEEDBACK PADA EXERGAMES BERBASIS VIRTUAL REALITY UNTUK ANGGOTA GERAK ATAS
Exergames berbasis virtual reality (VR) telah banyak diadopsi dalam rehabilitasi stroke. Namun, exergames dengan latihan kekuatan berbasis VR serta pengaruh haptic feedback masih jarang diteliti. Studi ini membandingkan aktivitas otot dan persepsi usaha antara latihan kekuatan konvensional menggunakan dumbbell fisik dan latihan exergames berbasis VR, serta mengevaluasi pengaruh tiga jenis tingkat getaran (haptic) terhadap aktivitas otot, persepsi usaha, dan rasa kehadiran. Penelitian ini menggunakan desain within-subject dengan sembilan partisipan perempuan sehat. Setiap partisipan menjalani enam perlakuan, yang terdiri dari: (1) latihan kekuatan konvensional menggunakan dumbbell fisik seberat 1, 2, dan 3 kg, serta (2) latihan exergames berbasis VR dengan tiga level haptic feedback (250 Hz, 240 Hz, 230 Hz). Surface electromyography (sEMG) digunakan untuk menilai aktivitas otot pada lengan dan pergelangan tangan. Persepsi usaha dinilai menggunakan skala Borg CR-10, sedangkan rasa kehadiran diukur menggunakan Barfield presence questionnaire. Data dianalisis menggunakan repeated-measures ANOVA dan uji nonparametrik. Hasil menunjukkan bahwa latihan kekuatan konvensional menghasilkan aktivitas otot dan persepsi usaha yang secara signifikan lebih tinggi dibandingkan latihan exergames berbasis VR pada beban ekuivalen (p ? 0.003). Selisih aktivitas otot latihan exergames berbasis VR dan dumbbell juga cenderung semakin besar pada beban yang lebih tinggi. Pada latihan exergames berbasis VR, peningkatan intensitas getaran (haptic) secara signifikan meningkatkan aktivitas otot pergelangan tangan dan lengan (p < 0.01). Sementara itu, persepsi usaha berbeda signifikan antara tingkat haptic (?² = 9.31; p < 0.01), tetapi tidak menunjukkan perbedaan yang konsisten antar tingkat haptic. Rasa kehadiran tidak berubah signifikan antar tingkat haptic (p ? 0.438). Hasil analisis menunjukkan bahwa haptic feedback dapat mengaktifkan otot pada latihan kekuatan berbasis VR, tetapi belum sepenuhnya mereplikasi tuntutan fisik dari latihan kekuatan konvensional. Oleh karena itu, latihan kekuatan berbasis VR dan haptic lebih tepat diposisikan sebagai alat aktivasi motorik beban rendah untuk rehabilitasi tahap awal dan belum dapat menggantikan latihan kekuatan konvensional
ANALISIS KORELASI KESALAHAN KELURUSAN DENGAN LASER INTERFEROMETER DAN MACHINING TEST BERDASARKAN ISO 10791-7
Kualitas produk melalui proses pemesinan sangat dipengaruhi oleh kualitas mesin perkakas yang digunakan. Kualitas ketelitian mesin perkakas dapat diukur melalui pengujian untuk memastikan ada atau tidaknya kesalahan geometri yang terjadi. Proses pengujian dapat dilakukan dengan berbagai metode salah satunya dengan menggunakan laser interferometer. Pengujian jenis ini dinilai memiliki keakuratan tingkat tinggi karena menggunakan prinsip interferensi cahaya yang dapat mengukur tingkat kepresisian yang sangat tinggi. Berdasarkan latar belakang di atas, penelitian ini akan menguji ketelitian mesin perkakas dengan menggunakan laser interferometer pada mesin CNC Vertical Machining Center Doosan Mynx 6500/50 II. Pengujian ini bertujuan untuk mengetahui kemampuan mesin CNC melalui pengukuran ketelitian geometrik pada mesin CNC tersebut. Pengukuran akan dilakukan pada sumbu-Y untuk diukur profil kelurusan horizontalnya. Hasil pengukuran tersebut kemudian divisualisasikan untuk dibandingkan kesalahan kelurusannya berdasarkan garis referensi. Langkah selanjutnya, pada mesin ini juga dilakukan uji potong (machining test) berdasarkan ISO 10791-7 dan pengukuran CMM untuk memvalidasi pengukuran kesalahan pengukuran melalui output hasil pemesinan pada mesin terkait. Hasil kelurusan mesin dan benda uji kemudian dibandingkan dan dianalisis perbandingan kesalahan kelurusannya. Hasil kesalahan kelurusan mesin didapatkan dengan nilai 0,30 – 0,55 ?m yang diukur pada tiga lintasan yang berbeda. Untuk kesalahan kelurusan benda uji, menunjukkan nilai 10,11 – 10,44 ?m untuk downmilling, sedangkan untuk upmilling sebesar 17,29 – 20,24 ?m. Harapannya penelitian ini dapat dijadikan acuan dalam menggunakan mesin tersebut sesuai dengan model hasil pengukuran untuk menghasilkan produk berkualitas tinggi. Selain itu, prosedur yang digunakan dalam penelitian ini bisa dijadikan referensi untuk pengukuran ketelitian terkait dengan mesin CNC machining center.