📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 192 dokumenAUGMENTASI DATA ELECTRONIC NOSE DENGAN GAUSSIAN NOISE UNTUK KLASIFIKASI TEH HITAM MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK
Kualitas teh ditentukan oleh atribut seperti penampilan, aroma, warna, dan rasa, yang dipengaruhi senyawa kimia seperti polifenol dan flavonoid. Penilaian tradisional oleh tea tester bersifat subjektif dan tidak konsisten, sementara metode analitik seperti HPLC dan GC akurat tetapi mahal. Teknologi electronic nose (e- nose) menjadi alternatif hemat biaya dengan meniru indera penciuman dan menganalisis senyawa volatil. Deep learning, khususnya CNN, memungkinkan pembelajaran end-to-end dan ekstraksi fitur otomatis, sementara data augmentasi seperti Gaussian noise dapat meningkatkan kinerja model. Eksperimen bertujuan untuk mengevaluasi apakah penambahan Gaussian noise sebagai teknik data augmentation dapat meningkatkan proses pembelajaran model atau justru menambahkan data yang tidak relevan (noise) pada electronic nose. Evaluasi dilakukan dengan melihat dampak data augmentasi terhadap hasil pembelajaran, khususnya dalam skenario dengan peningkatan tingkat noise. Penelitian ini juga membandingkan kinerja klasifikasi model dengan dan tanpa noise augmentation untuk menilai pengaruhnya terhadap generalisasi dan akurasi model. Gaussian noise diterapkan pada enam tingkat varians yang terkontrol (0.01, 0.03, 0.05, 0.1, 0.2, dan 0.3), dan pengaruhnya terhadap klasifikasi dianalisis menggunakan arsitektur 1D-CNN dan 2D-CNN. Analisis statistik mengonfirmasi bahwa noise augmentation efektif pada tingkat rendah, menjaga struktur data asli sambil memperkenalkan variasi realistis. Variasi ini membantu meminimalkan bias model dengan memperluas distribusi data latih. Hasil penelitian menunjukkan bahwa tanpa noise, arsitektur 1D-CNN mencapai akurasi 87%. Dengan penambahan noise, model 1D-CNN dari Zhou menunjukkan akurasi yang konsisten pada tingkat noise rendah hingga sedang, mencapai hingga 96%, yang mengindikasikan ketahanannya terhadap gangguan tambahan. Di sisi lain, model 2D-CNN, khususnya ResNet34 dengan transfer learning, menunjukkan performa terbaik pada tingkat noise rendah (0.01) dengan akurasi sebesar 98.66%, tetapi mengalami penurunan kinerja secara bertahap seiring peningkatan noise. Fenomena ini mengindikasikan bahwa pada tingkat noise tinggi, data menjadi lebih terdistorsi dan kehilangan pola penting, sehingga model kesulitan melakukan iv klasifikasi dengan benar. Penggunaan Gaussian noise terbukti efektif dalam meningkatkan pembelajaran model, meskipun terdapat keterbatasan pada tingkat noise yang lebih tinggi. Perbandingan hasil klasifikasi dengan dan tanpa noise augmentation menunjukkan pentingnya kalibrasi tingkat noise yang tepat untuk menjaga keseimbangan antara variasi data dan integritas pola dalam tugas klasifikasi.
PREDIKSI CACAT PERANGKAT LUNAK MENGGUNAKAN HYBRID FEATURE SELECTION DAN ENSEMBLE STACKING
Dalam era perkembangan perangkat lunak yang semakin kompleks, prediksi cacat perangkat lunak menjadi salah satu aspek krusial untuk menjamin kualitas dan keandalan produk perangkat lunak. Terdapat beberapa tantangan dalam pengembangan prediksi cacat perangkat lunak, salah satunya adalah ketidakseimbangan data, di mana jumlah kasus cacat jauh lebih sedikit dibandingkan dengan kasus non-cacat. Selain itu, performa model prediksi yang masih dapat ditingkatkan juga menjadi masalah yang perlu diperhatikan. Penelitian ini mengusulkan pendekatan baru untuk mengatasi masalah tersebut dengan menggabungkan Synthetic Minority Oversampling Technique (SMOTE), hybrid feature selection dengan menggunakan Grey Wolf Optimizer (GWO) dan binary Genetics Algoritm (GA), serta ensemble stacking yang terdiri dari KNN, XGBoost, dan Logistic Regression. SMOTE digunakan untuk menangani ketidakseimbangan data dengan menyintesis sampel baru dari kelas minoritas. GWO dan binary GA digunakan untuk memilih fitur yang memiliki pengaruh kuat dalam menentukan hasil prediksi, sementara ensemble stacking digunakan untuk melakukan klasifikasi dengan kemampuan untuk meningkatkan performa model. Hasil penelitian menunjukkan bahwa penggunaan hybrid feature selection dan ensemble stacking memiliki nilai akurasi dan AUC-ROC yang lebih besar dari model baseline sebesar 7,02% dan 2%. Selain itu, penambahan GWO pada binary GA tanpa adanya ensemble stacking juga meningkatkan rata-rata nilai akurasi dan AUC-ROC sekitar 3,35% dan 0,5%. Meskipun demikian, hasil AUC-ROC pada dua skenario tersebut menunjukkan beberapa peningkatan dan penurunan pada beberapa dataset, yang dipengaruhi oleh karakteristik dataset seperti ukuran dataset dan keseimbangan dataset. Adapun fitur-fitur yang paling berpengaruh dalam prediksi cacat perangkat lunak adalah loc_blank, loc_comments, cyclomatic_complexity, design_complexity, dan loc_total. Fitur-fitur ini menunjukkan korelasi positif terhadap kemungkinan terjadinya cacat, yang memberikan wawasan penting untuk perbaikan kualitas perangkat lunak dan pengembangan metode prediksi yang lebih efektif.
MENINGKATKAN ESTIMASI WAKTU PROYEK DALAM PENGEMBANGAN GAME: PENDEKATAN RAYLEIGH DISTRIBUTION DAN PROGRAM EVALUATION AND REVIEW TECHNIQUE
Industri video game telah tumbuh secara eksponensial selama beberapa dekade terakhir, menjadi sektor dominan di industri hiburan global. Meskipun pertumbuhannya pesat, proses pengembangan game tetap sangat kompleks dan berbeda dari pengembangan perangkat lunak tradisional, yang membutuhkan pendekatan yang kreatif dan gesit. Salah satu tantangan utamanya adalah estimasi waktu yang tidak akurat dalam proyek pengembangan game, yang sering kali disebabkan oleh ketidakpastian yang melekat pada sifat industri yang iteratif dan kreatif. Makalah ini membahas tantangan tersebut dengan mengintegrasikan Critical Path Method (CPM) dan Program Evaluation and Review Technique (PERT) dengan distribusi Rayleigh untuk meningkatkan akurasi estimasi waktu dalam kondisi ketidakpastian yang tinggi. Data dari proyek pengembangan game yang telah selesai oleh perusahaan game Indonesia, PT. ABC, dianalisis, dengan menggunakan data historis dari Proyek Black (Oktober 2023 – Agustus 2024) sebagai dasar evaluasi. Hasil penelitian menunjukkan bahwa model RayleighPERT, dengan keyakinan 70% dan estimasi kualitas ahli sebesar 0,3, memberikan estimasi waktu yang paling akurat, dengan deviasi hanya sebesar 4,26% dari kinerja proyek aktual, jauh lebih baik dibandingkan dengan CPM (20%) dan PERT tradisional (15,2%). Penelitian ini berkontribusi pada peningkatan manajemen proyek dalam industri video game dengan memasukkan ketidakpastian ke dalam estimasi waktu, menawarkan jadwal yang lebih realistis untuk proyek pengembangan game, dan meningkatkan pelaksanaan proyek secara keseluruhan. Namun, cakupan penelitian ini terbatas pada Proyek Black oleh PT. ABC, sehingga diperlukan penelitian lebih lanjut untuk memvalidasi generalisasi ke proyek atau industri lainnya.
IDENTIFIKASI PARAMETER KARAKTERISTIK LAHAN SAWAH MENGGUNAKAN RANDOM FOREST SECARA PARSIAL(STUDI KASUS : KABUPATEN INDRAMAYU DAN MAJALENGKA)
Menilai karakteristik lahan padi merupakan langkah awal dalam perencanaan lahan untuk meningkatkan produksi maksimal dan merencanakan sistem pertanian berkelanjutan. Namun, informasi tersebut umumnya sangat sulit dilakukan di Indonesia karena karakter yang sangat beragam dan wilayah indonesia yang sangat luas. Karakteristik lahan padi yang dilakukan didasarkan pada parameter fisik dari kementrian pertanian. Parameter karakteristik ini akan di identifikasi menggunakan Machine Learning Random Forest dimana penentuan jumlah sample menggunakan metode Slovin dan pendistribusian menggunakan Stratified Random Sampling. Wilayah yang menjadi lokasi penelitian adalah Kabupaten Indramayu dan Kabupaten Majalengka di Provinsi Jawa Barat, dikarenakan kondisi fisik wilayah yang berbeda. Berdasarkan hasil analisis model testing didapatkan nilai overall accuracy di Kabupaten Indramayu dengan skor 71% pada pohon ke 450, dan pada hasil testing di Kabupaten Majalengka nilai overall accuracy sebesar 68% pada pohon ke 500, serta pada scope global (gabungan Kabupaten Indramayu dan Kabupaten Majalengka) hasil overall accuracy model testing sebesar 62% pada pohon ke 200. Hasil analisis pada tiga wilayah yang ada menunjukkan parameter karakteristik sawah paling berpengaruh yaitu suhu, tekstur, dan pH tanah. Berdasarkan seluruh analisis yang dilakukan, model Random Forest berjalan lebih baik pada wilayah scope lokal dibandingkan pada scope yang lebih luas atau global.
PENGEMBANGAN ESTIMASI KONDISI KESEHATAN SISTEM BATERAI LITHIUM-ION MENGGUNAKAN METODE SUPERVISED MACHINE LEARNING BERBASIS INCREMENTAL CAPACITY ANALYSIS
Baterai yang merupakan alat penyimpanan energi, penggunaannya saat ini diproyeksi mengalami peningkatan seiring dengan meningkatnya penggunaan kendaraan listrik terutama di Indonesia. Baterai perlu dilengkapi dengan Battery Management System (BMS) sebagai sistem yang memonitor kinerjanya. BMS menjadi sistem manajemen baterai yang penting dalam memonitor dan memaksimalkan kinerja baterai, salah satunya melakukan monitoring kondisi kesehatan (KK) atau state-of-health (SOH) dari baterai. Kondisi kesehatan baterai adalah kondisi kapasitas terkini dibandingkan dengan kapasitas saat kondisi baru yang mengalami penurunan seiring terjadinya degradasi baterai akibat pemakaian maupun paparan dari kondisi lingkungan. Melakukan estimasi dari kondisi kesehatan baterai menjadi sebuah tantangan terutama dalam pemilihan metode maupun dari kondisi karakteristik masing-masing baterai. Salah satunya adalah estimasi kondisi kesehatan dari beberapa material baterai yang berbeda. Pada penelitian ini dimaksudkan untuk dapat melakukan estimasi dari kondisi kesehatan baterai pada beberapa jenis material baterai. Untuk mencapai tujuan tersebut digunakan metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM) sebagai alur pengembangan estimator yang terdiri dari beberapa tahapan. Tahap pertama adalah tahap pemahaman bisnis yang mana menetapkan bahwa tujuan yang ingin dicapai adalah melakukan estimasi KK dengan sebuah dataset material, yang selanjutnya dapat diaplikasikan ke material lain. Hal ini juga dimaksudkan agar pengembangan estimator hanya membutuhkan biaya komputasi yang minimum. Pada tahap pemahaman data ditetapkan beberapa data material yang menjadi objek dan batasan penelitian. Data baterai ini didapatkan dari data hasil penelitian yang telah dipublikasikan oleh penelitinya yakni data baterai material Lithium Nickel-Cobalt-Alumunium-Oxide (NCA) dari Aachen University, data baterai material Lithium Iron Phosphate (LFP) dari Berkeley University dan data baterai material Lithium Cobalt Oxide (LCO) dari Toyota Research University – MIT – Stanford, yang masing-masing memiliki nominal kapasitas dan tegangan yang berbeda. Pada tahap persiapan data dilakukan konversi, kompresi, pembuatan fitur, pemilihan fitur dan pembersihan data agar dapat digunakan sebagai data latih, data tes maupun data validasi untuk estimator KK. Proses pembuatan fitur dilakukan dengan menggabungkan beberapa fitur statistik dari tegangan, arus, dan temperatur. Kemudian juga digunakan Incremental Capacity Analysis (ICA) untuk mendapatkan beberapa fitur yang diperoleh dari metode pengisian atau pengurasan dengan arus konstan. Dari fitur input yang didapatkan dilakukan pemilihan fitur melalui pencarian korelasi dengan fitur target yakni SOH, untuk mendapatkan fitur yang memiliki korelasi tinggi, dan memberikan hasil tiga fitur utama berasal dari proses ICA. Setelah persiapan data dilakukan proses pemodelan dengan menggunakan tiga metode supervised machine learning yaitu XGBoost, SVR, dan Stacking. Data latih yang ditetapkan untuk membuat estimator adalah data material NCA sebesar 70%, dengan 30% data sebagai data tes. Dilakukan juga pengujian menggunakan penambahan fitur yang memiliki korelasi yang lebih rendah dibandingkan yang didapatkan pada proses ICA. Selain pembuatan estimator KK, juga dilakukan pengujian pembuatan hubungan antara kondisi kesehatan atau fitur SOH dengan nilai puncak ICA dan jumlah siklus untuk melihat proses penurunan kondisi kesehatan. Tahap terakhir adalah tahap evaluasi dimana hasil estimator yang telah dilatih berdasarkan data NCA sebesar 70% dengan metrik error seperti RMSE, MAE, dan MAPE. Model estimator akan dilakukan evaluasi menggunakan data NCA sebesar 30%, dan data validasi dari data material lain yang berbeda yakni LFP dan LCO untuk melihat kemampuan prediksi terhadap material lain. Berdasarkan percobaan yang dilakukan dengan membandingkan penggunaan supervised machine learning yakni XGBoost, SVR dan Stacking. Didapatkan metode Stacking dapat memberikan error yang lebih rendah dibandingkan dengan model standar XGBoost dan SVR dengan RMSE 0,6030 terhadap data tes. Hasil percobaan menunjukkan kombinasi fitur yang didapatkan dari proses ICA yakni nilai puncak ICA, tegangan saat nilai puncak, dan luasan area puncak menjadi fitur dengan korelasi yang tinggi terhadap fitur SOH dan dengan hanya menggunakan satu data latih yakni dataset material NCA. Hasil evaluasi model estimator dengan data validasi LFP dan LCO menunjukkan bahwa estimator KK yang dibuat dari supervised machine learning Stacking mampu melakukan generalisasi prediksi KK pada data material lain yakni LFP dengan nilai error terendah RMSE di 1,0476%, MAE di 0,7676%, MAPE di 0.0084%, dan LCO dengan error terendah RMSE di 0,7317%, MAE di 0.4601%, MAPE di 0.0047%. Selain itu didapatkan hubungan penurunan puncak ICA seiring dengan penurunan kondisi kesehatan (KK) dari data material NCA dan LFP. Kata kunci: baterai, BMS, CRISP-DM, estimator, kondisi kesehatan, lithium, ICA, LCO, LFP, NCA, SOH, supervised machine learning, Stacking.
PENENTUAN BILANGAN YODIUM, DOBI, DAN KAROTEN SEBAGAI PARAMETER KUALITAS MINYAK KELAPA SAWIT MENTAH MENGGUNAKAN SPEKTROSKOPI RAMAN
Indonesia dikenal sebagai salah satu produsen minyak sawit terbesar di dunia. Proses produksi minyak sawit diawasi oleh pemerintah melalui Sertifikasi Nasional Indonesia (SNI). Pemerintah telah menetapkan standar mutu untuk memastikan kualitas minyak sawit yang layak dipasarkan sesuai dengan ketentuan SNI. Pada penelitian ini, fokus pembahasan terletak pada salah satu parameter penting dalam SNI, yaitu bilangan yodium (IV), DOBI (Deterioration of Bleachability Index), dan Karoten. Bilangan yodium mengukur tingkat ketidakjenuhan asam lemak bebas dalam minyak sawit. Semakin tinggi nilai yodium, semakin rendah tingkat ketidakjenuhan asam lemak bebas, yang menunjukkan kualitas minyak sawit yang lebih baik. Uji DOBI diperlukan untuk mengukur kemampuan minyak kelapa sawit mentah dalam menjalani proses pemucatan (Bleaching). Pemucatan adalah proses penghilangan warna dari minyak, yang merupakan langkah penting dalam menghasilkan minyak dengan kualitas kejernihan dan kebersihan yang tinggi. Beta-karoten, salah satu jenis karotenoid, berfungsi sebagai provitamin A yang dapat diubah menjadi vitamin A aktif setelah metabolisme dalam tubuh. Kandungan beta-karoten dalam minyak sawit memengaruhi warna minyaknya, dan seberapa jernih minyak tersebut. Tipe kelapa sawit yang diujikan meliputi tipe CPO (Crude Palm Oil), CPKO (Crude Palm Kernel Oil), RDPO (Refined Bleaced Deodorized Oil), dan RBDPKO (Refined Bleaced Deodorized Kernel Oil), digunakan total 153 sample yang diujikan pada tugas akhir ini. Dalam penelitian ini, digunakan dua metode untuk menentukan nilai yodium, yaitu metode titrasi konvensional (Wijs) dan metode spektroskopi Raman sebagai pendekatan modern. Titrasi melibatkan reaksi kimia dengan sampel dan membutuhkan waktu sekitar satu hingga dua jam untuk memperoleh hasil. Di sisi lain, spektroskopi Raman menggunakan panjang gelombang 785 nm yang dipaparkan ke sampel dalam ruang tertutup. Pengukuran dengan metode Raman diharapkan memiliki potensi dapat menggantikan metoda konvensional karena proses pengambilan data jauh lebih cepat dan metoda ini juga tidak memerlukan keterlibatan larutan kimia reaktif sehingga pengambilan data lebih efisien dari segi keamanan serta jangka waktu yang dibutuhkan dibandingkan dengan metode titrasi. Hasil penelitian menunjukkan bahwa data dari spektroskopi Raman memiliki tingkat akurasi yang mendekati hasil titrasi Wijs. Nilai yodium untuk CPO didapatkan rentang 53 ? 60; CPKO 14 ? 19,7; RBDPO 51,3 ? 61,7; dan RBDPKO 17,2 ? 19,7. DOBI yang didapatkan melalui percobaan tanpa pemanasan menghasilkan rentang 1,9 ? 2,4; dengan pemanasan satu kali 0 ? 0,688; dan pemanasan dua kali 0 ? 0,198. Nilai Karoten yang diperoleh masih belum mendapatkan keluaran yang memuaskan melalui metoda pre-processing yang digunakan pada penelitian in sebagaimana keluaran terlalu menyebar, oleh karena itu masih belum didapatkan data yang cukup baik untuk disimpulkan. Hasil yang diberikan oleh metoda pengukuran melalui Spektroskopi Raman sudah menunjukkan nilai yang cukup baik dibandingkan dengan hasil melalui metoda konvensional, dinyatakan dengan nilai Mean Absolute Error rata-rata berada di bawah angka 5. Dari hasil yang diperoleh, minyak sampel yang diberikan sesuai dengan standar yang diberikan oleh Standar Nasional Indonesia.
PENGGUNAAN METODE KLASTERISASI MACHINE LEARNING DALAM PENENTUAN PESERTA MEDICAL CHECK UP (MCU) KESEHATAN PT PLN (PERSERO) REGIONAL KALIMANTAN
Kesehatan merupakan aspek yang sangat penting dalam menunjang produktivitas kerja, karena kinerja optimal hanya dapat dicapai apabila pegawai berada dalam kondisi kesehatan yang baik. PT PLN (Persero) merupakan salah satu perusahaan yang cukup konsern terhadap kesehatan pegawainya, termasuk memastikan pekerjanya bekerja dalam kondisi terbaik. Pemberian fasilitas kesehatan bagi pegawai, pensiunan, serta keluarga merupakan salah satu bukti kepedulian Perusahaan terhadap kesejahteraan sumber daya manusianya. Pemberian fasilitas kesehatan mencakup tindakan preventif, kuratif, dan rehabilitatif. Salah satu tindakan preventif yang dilakukan Perusahaan untuk Pegawainya adalah pemberian fasilitas medical check up (MCU) tahunan bagi pegawai. Namun, pelaksanaan program MCU ini masih terbatas pada kategori jabatan dan usia tertentu. Hal ini mengindikasikan perlunya strategi yang lebih sistematis dalam menentukan prioritas penerima manfaat MCU berdasarkan data kesehatan dan kepegawaian Sejalan dengan hal tersebut, PT PLN (Persero) memiliki database yang berisi berbagai informasi penting terkait kepegawaian, termasuk data pribadi pegawai, riwayat jabatan, data presensi, serta catatan kesehatan. Namun, pemanfaatan database tersebut untuk mendukung pengelolaan kesehatan pegawai hingga saat ini belum dioptimalkan secara efektif. Padahal, pengelolaan data kepegawaian yang sistematis dan terintegrasi dapat menghasilkan informasi strategis yang bernilai tinggi. Informasi ini tidak hanya berguna untuk memahami kondisi kesehatan pegawai secara lebih mendalam, tetapi juga dapat digunakan sebagai dasar pengambilan keputusan yang lebih tepat dalam merancang dan mengembangkan program kesehatan pegawai di masa mendatang. Optimalisasi pemanfaatan database ini diharapkan mampu meningkatkan efisiensi dan efektivitas pengelolaan kesehatan secara berkelanjutan. Pemanfaatan metode Machine Learning, khususnya klasterisasi, diperlukan untuk mengolah data dengan tujuan menentukan pegawai yang berhak menerima manfaat medical check-up (MCU) berdasarkan data kepegawaian dan data kesehatan pegawai. Penelitian ini bertujuan memberikan rekomendasi metode klasterisasi yang paling optimal dalam mengelompokkan peserta MCU bagi pegawai di Regional Kalimantan. Data yang digunakan mencakup data personal pegawai, riwayat jabatan, data presensi, serta data kesehatan yang terdiri dari catatan transaksi kesehatan dan riwayat MCU. Optimalisasi pengelolaan data ini diharapkan dapat meningkatkan efisiensi serta keakuratan dalam proses pengambilan keputusan terkait penerima manfaat MCU. Analisis dilakukan dengan menerapkan berbagai metode klasterisasi, termasuk Kmeans, K-medoids, Gaussian Mixture Model (GMM), Agglomerative Hierarchical Clustering, dan DBSCAN. Selain itu, masing-masing metode klasterisasi diimplementasikan dengan reduksi dimensi menggunakan Principal Component Analysis(PCA) untuk meningkatkan efisiensi proses klasterisasi. Penelitian ini juga memanfaatkan Variational Autoencoder (VAE) untuk menghasilkan representasi laten yang lebih baik, guna memperoleh hasil klaster yang optimal dan relevan dengan tujuan penelitian. Evaluasi kualitas klaster dilakukan menggunakan metrik Silhouette Score untuk menentukan metode klasterisasi yang memberikan hasil terbaik. Penilaian ini dilakukan untuk memastikan bahwa struktur klaster yang dihasilkan memiliki validitas dan interpretabilitas yang tinggi. Hasil penelitian menunjukkan bahwa penerapan metode klasterisasi K-medoids dengan Principal Component Analysis (PCA) yang dikombinasikan dengan Variational Autoencoder (VAE) memberikan hasil yang paling optimal pada seluruh pengujian klaster yang dilakukan, termasuk untuk pengelompokan dengan dua, tiga, empat, dan lima klaster. Pada pengelompokan dengan dua klaster, metode ini menghasilkan Silhouette Score sebesar 0.805, yang menunjukkan struktur klaster yang kuat dan lebih unggul dibandingkan metode klasterisasi lainnya. Berdasarkan hasil tersebut, dapat disimpulkan bahwa metode klasterisasi Kmedoids dengan kombinasi PCA dan VAE merupakan pendekatan paling efektif dalam mengelompokkan data MCU, sehingga dapat memberikan rekomendasi yang lebih akurat mengenai pegawai yang layak menerima manfaat medical checkup (MCU).
PREDIKSI SAMBARAN PETIR DAN ANALISA GANGGUAN PETIR PADA JALUR TRANSMISI LISTRIK DENGAN MACHINE LEARNING
Sambaran petir merupakan salah satu penyebab utama gangguan pada sistemtransmisi listrik, terutama di wilayah operasional PT PLN UIP3B Sumatera. Gangguan ini seringkali mengakibatkan pemadaman listrik yang meluas, kerusakan infrastruktur seperti tower, kabel, dan trafo, serta kerugian ekonomi yang signifikan. Selain itu, gangguansambaran petir juga dapat mengurangi keandalan sistem kelistrikan, menggangguaktivitas industri, komersial, dan rumah tangga, sehingga diperlukan pendekatanmitigasi yang bersifat proaktif dan berbasis data. Penelitian ini bertujuan untukmengembangkan kerangka prediktif terintegrasi yang menggabungkan metodeforecasting untuk memprediksi jumlah sambaran petir dengan metode klasifikasi untukmenilai risiko gangguan petir pada sistem transmisi listrik. Dalamtahap forecasting, model Transformer digunakan karena kemampuannya menangkap pola temporal yangkompleks pada data deret waktu dari tahun 2018 hingga 2024. Evaluasi menunjukkanbahwa model Transformer unggul dibandingkan model tradisional seperti Recurrent Neural Networks (RNNs) dan Long Short-Term Memory (LSTM). Dengan nilai R- squared (R²) sebesar 0,9543, Mean Squared Error (MSE) sebesar 0,3957, danRoot Mean Squared Error (RMSE) sebesar 0,6291, model ini mampu memberikan prediksi yang akurat, bahkan untuk pola data yang fluktuatif. Hasil forecasting ini kemudiandiintegrasikan ke dalam model klasifikasi sebagai fitur utama untuk mendeteksi risikogangguan. Pada tahap klasifikasi, model XGBoost dengan SMOTE (Synthetic MinorityOversampling Technique) diterapkan untuk mengatasi masalah ketidakseimbangandataantara kelas gangguan (1) dan tidak ada gangguan (0). Ketidakseimbangan data seringkali menyebabkan model bias terhadap kelas mayoritas, sehingga sulit mendeteksi kelas minoritas. Dengan teknik SMOTE, XGBoost mampu mempelajari pola dari kedua kelas secara lebih seimbang. Hasil evaluasi menunjukkan bahwa model ini memiliki performa yang lebih baik dibandingkan model lain seperti Naive Bayes, Support Vector Machine (SVM), dan Random Forest. XGBoost dengan SMOTEmencapai Akurasi Uji sebesar 89,15%, Precision sebesar 88,98%, Recall sebesar 89,16%, dan F1-Score sebesar 89,05%. Model ini tidak hanya memberikan prediksi kelas (gangguan atau tidak), tetapi juga probabilitas gangguan untuk setiap tower, yangkemudian dikategorikan menjadi tiga tingkat risiko: Aman (probabilitas <50%), Waspada (probabilitas 50–80%), dan Kritis (probabilitas ? 80%). Selain itu, analisismatriks korelasi menunjukkan bahwa fitur utama seperti Count (+), Count (-), danDensity memiliki hubungan yang signifikan dengan risiko gangguan petir, sehinggadapat digunakan sebagai indikator utama dalam pengelolaan risiko. Fitur pendukungseperti Tinggi Tower + Elevasi dan Nilai Pentanahan juga memberikan kontribusi penting. Korelasi negatif antara Nilai Pentanahan dan probabilitas gangguanmenegaskan bahwa kualitas pentanahan yang baik dapat mengurangi risiko gangguanakibat sambaran petir. Hasil penelitian ini memberikan kontribusi yang signifikandalam manajemen risiko gangguan petir pada sistem transmisi listrik. Denganmenggabungkan hasil forecasting sambaran petir menggunakan Transformer danklasifikasi gangguan menggunakan XGBoost, penelitian ini memberikan solusi berbasis data yang komprehensif. Pendekatan ini memungkinkan PLN memprioritaskansumber daya untuk mitigasi risiko pada tower yang berada dalam kategori Waspada danKritis, sehingga meningkatkan keandalan sistem transmisi. Pendekatan probabilitas ini juga mendukung perencanaan langkah mitigasi yang lebih proaktif dan efisien, menjadikan sistem kelistrikan lebih tangguh terhadap gangguan sambaran petir. Penelitian ini menawarkan sumbangan penting terhadap pengembangan metodemitigasi berbasis data dalam sistem transmisi listrik dan menegaskan potensi transformasional teknik machine learning dalam meningkatkan keandalan sistemkelistrikan.
STUDI KOMPARATIF PERFORMANSI ALGORITMA CLUSTERING UNTUK PENGELOMPOKAN PADA DATA REKAM MEDIS PEGAWAI PT PLN INDONESIA POWER KAMOJANG
PT PLN Indonesia Power Kamojang merupakan salah anak perusahaan PT PLN (persero). Salah satu fasilitas dari perusahaan tersebut khususnya dalam bidang kesejahteraan pegawai yaitu diberikannya manfaat kesehatan atau klaim kesehatan yang dapat diajukan kepada perusahaan. Sampai dengan saat ini, data rekam medis tersebut belum digunakan secara spesifik untuk mendukung program perusahaan. Berdasarkan surat edaran direksi nomor 228.K/010/IP/2022 tentang Human Experience Management System (HXMS) salah satu pasal menyebutkan fokus perusahaan dalam mendukung program baru yang berkofus diantaranya pada kesehatan jiwa, fisik, dan mental pegawai, yaitu Employee Wellness Program. Hal ini mendorong penelitian ini untuk mengambil andil dalam rangka mendukung program perusahaan tersebut dengan menggunakan data rekam medis pegawai dari Bulan Januari tahun 2018 sampai dengan Bulan Juni 2024 dan sebagai upaya untuk memberikan masukan kepada manajemen untuk menentukan program IP Wellness untuk pegawai dilingkungan PT PLN Indonesia Power Kamojang. Penelitian ini menggunakan beberapa model algoritma yaitu K-means, K-medoids, DBSCAN, Gaussian Mixture Models (GMM) dan Agglomerative dengan didukung perbandingan antara reduksi dimensi PCA dan Autoencoder untuk menentukan model algoritma mana yang paling baik dalam kasus ini, maka ditentukan nilai K optimal dengan menggunakan algoritma Elbow. Adapun dalam pencarian model algoritma Clustering dan Eksperimen tersebut, penelitian ini menggunakan Google Collab dan dan Jupiter Notebook serta menggunakan bahasa Phyton. Dari masingmasing algoritma penelitian ini menggunakan Davies Bouldin Index untuk mengevaluasi tiap model algoritma yang digunakan. Hasil cluster dengan nilai DBI paling kecil didapatkan oleh AE-GMM yaitu 0.4506. Adapun interpretasi yang dilakukan dari sisi biaya, penyakit dan usia menghasilkan pengelompokan yaitu Kluster 0 biaya rendah dengan penyakit yang diderita ringan serta usia tua maupun muda lebih sedikit, dan Kluster 1 menunjukkan biaya tinggi dengan penyakit yang diderita berat dan sebaran usia tua dan muda lebih banyak.
MENINGKATKAN PREDIKSI WAKTU OPTIMAL PENORMALAN GANGGUAN LAYANAN JARINGAN OFFICE DAN SCADA DENGAN MENGGUNAKAN KECERDASAN BUATAN (AI)
Layanan jaringan komputer menjadi bagian penting dalam mendukung proses bisnis sistem ketenagalistrikan yang handal. Proses bisnis operasional kantor dan layanan di perusahaan PT PLN (Persero) seperti billing management, penjualan, kepegawaian, pengadaan, pelayanan gangguan, dan remote perangkat saat ini sebagian besar diakses menggunakan aplikasi Web atau aplikasi Desktop yang memerlukan koneksi jaringan Office (Intranet/Internet) maupun jaringan SCADA (Supervisory Control and Data Acquisition). Sehingga apabila terjadi gangguan jaringan, gangguan tersebut harus segera diatasi agar tidak berdampak luas terhadap proses bisnis dan pelayanan. Saat ini, penyelesaian gangguan yang ditargetkan tidak boleh melebihi target kinerja yang sudah ditentukan, yaitu penyelesaian gangguan Office ditargetkan dalam waktu 1,85 jam per bulan dan SCADA Non Redundant dalam waktu 2,16 jam per bulan. Namun, saat ini apabila terjadi gangguan jaringan, estimasi penormalan gangguan yang sedang berjalan belum memiliki standar atau dasar yang baku, sehingga solusi saat ini belum efektif dalam memberikan informasi estimasi penormalan gangguan yang akurat. Prediksi waktu optimal dalam penormalan gangguan layanan jaringan Office dan SCADA yang akurat dan efisien sangat penting untuk keberlangsungan operasional. Di samping itu, tim yang bekerja memulihkan gangguan di lapangan perlu memiliki target waktu berdasarkan riwayat penyelesaian gangguan jaringan yang sudah terjadi sebelumnya. Apabila penyelesaian gangguan dapat diatasi sebelum target yang sudah ditentukan, maka dapat dijadikan acuan dalam pemulihan gangguan jaringan. Namun, apabila pemulihan gangguan melebihi target yang sudah ditentukan, perlu dikaji kembali strategi apa yang harus diambil agar pemulihan gangguan layanan jaringan tidak melebihi waktu yang ditetapkan. Mengacu pada permasalahan tersebut, peneliti ingin menerapkan sebuah metode yang dapat meningkatkan akurasi prediksi dalam menentukan kelas waktu optimal durasi penormalan gangguan layanan jaringan Office dan SCADA. Ada beberapa metode untuk menentukan durasi gangguan namun, masih sedikit penelitian yang menggunakan metode berbasis pembelajaran mesin (Machine Learning) untuk menentukan kelas durasi pemulihan gangguan (Joyokusumo et al., 2020). Machine Learning dapat digambarkan sebagai metode untuk membuat program belajar dari pengalamannya dan meningkatkan eksekusi tugas dengan mendapatkan lebih banyak pengalaman (Ray, 2019). Dalam kerangka konseptual Kecerdasan Buatan (AI), Machine Learning berperan sebagai model yang dapat diterapkan sebagai model yang sudah dilatih sekali dalam agen cerdas tanpa kemungkinan belajar wawasan tambahan dari lingkungan (Kühl et al., 2019). Mengacu pada metode tersebut, peneliti menggunakan beberapa metode berbasis Machine Learning, yaitu Random Forest Classifier dan XGBoost (Extreme Gradient Boosting) dalam memprediksi kelas durasi penormalan gangguan layanan jaringan. Dilakukan juga perbandingan akuarasi menggunakan Naïve Bayes Classifier dan Support Vector Machine. Dataset yang digunakan dalam penelitian ini bersumber dari data gangguan jaringan SCADA maupun Office dari bulan Januari 2021 sampai dengan Oktober 2024 dan saat ini berisi 2591 data gangguan. Variabel (fitur input) yang digunakan dalam penelitian ini terdiri dari 5 variabel, yaitu SID, Stop Clock (Durasi), Ticket Open, Action, Detail Gangguan dan satu variabel target yaitu Durasi Gangguan. Manfaat yang diperoleh dengan melakukan prediksi kelas durasi penormalan gangguan adalah memberikan kontribusi bagi pengembangan strategi manajemen penormalan gangguan yang lebih efektif dan efisien apabila telah diketahui estimasi prediksi penormalan gangguan layanan jaringan. Di sisi lain, pengambilan strategi penanganan penormalan gangguan layanan jaringan dapat dikaji kembali untuk mengurangi risiko pemulihan gangguan yang memakan waktu lebih lama. Dengan adanya prediksi yang lebih akurat, tim pemulihan dapat bekerja lebih efisien dan tepat sasaran, serta memastikan bahwa gangguan yang terjadi tidak berdampak signifikan terhadap operasi bisnis perusahaan. Teknologi Machine Learning dalam memprediksi kelas durasi penormalan gangguan jaringan diharapkan mampu menjaga kontinuitas layanan yang kritis bagi perusahaan seperti PT PLN (Persero). Dengan demikian, model prediksi yang dikembangkan dapat menjadi alat penting dalam manajemen pemulihan gangguan jaringan dan memberikan informasi yang diperlukan untuk pengambilan keputusan yang lebih baik serta strategi penanganan yang lebih efektif.
PENERAPAN KLASIFIKASI MACHINE LEARNING UNTUK DETEKSI PENCURIAN LISTRIK PADA PELANGGAN PASCABAYAR RUMAH TANGGA DENGAN METER TRADISIONAL: STUDI PADA UNIT LAYANAN PELANGGAN DENGAN KASUS TERTINGGI DI PLN
Pencurian listrik merupakan tantangan besar yang dihadapi PT PLN (Persero), terutama dalam pengelolaan 27 juta pelanggan pascabayar yang sebagian besar masih menggunakan meter tradisional. Identifikasi dan penanganan pencurian listrik semakin kompleks, memerlukan pendekatan yang lebih efisien. Tidak seperti meter pintar, meter tradisional tidak memiliki kemampuan komunikasi, sehingga deteksi pencurian listrik masih bergantung pada proses manual. Penelitian ini mengembangkan model deteksi pencurian listrik berbasis machine learning untuk mengoptimalkan proses penetapan Target Operasi (TO), yakni daftar pelanggan yang menjadi target verifikasi lapangan. Dengan menganalisis penggunaan listrik bulanan, khususnya pada segmen rumah tangga dengan daya 450 VA penerima subsidi pemerintah, model ini dirancang untuk mengoptimalkan pembentukan TO yang masih dilakukan secara manual, dengan tujuan mengurangi pengamatan subjektif sekaligus membantu subsidi dialokasikan tepat sasaran. Data konsumsi listrik bulanan pelanggan pascabayar PLN digunakan sebagai pendekatan baru dalam deteksi pencurian listrik, berbeda dengan penelitian lain yang umumnya menggunakan data terbuka dan meter pintar. Berbagai model klasifikasi diuji, termasuk Decision Tree, Random Forest, K-Nearest Neighbors, Logistic Regression, dan Naive Bayes, dengan Random Forest menunjukkan kinerja terbaik dalam berbagai simulasi pengujian. Penelitian ini juga memperkenalkan metode evaluasi bertahap yang meningkatkan akurasi dengan penyaringan berlapis, di mana hasil deteksi dari model pencurian tiga kali disaring kembali pada model pencurian dua dan satu kali, menghasilkan TO yang lebih akurat. Kombinasi algoritma Random Forest dan K-Nearest Neighbors menghasilkan kinerja terbaik dengan akurasi 0,89, presisi 0,83, recall 0,98, F1-Score 0,90, dan AUC 0,89. Temuan ini menawarkan manfaat praktis bagi PLN melalui proses penetapan TO yang lebih objektif dan terstandarisasi, mengurangi kesalahan manusia, serta meningkatkan efisiensi operasional.
MUTASI PENEMPATAN PEGAWAI PEMIMPIN UNIT MENGGUNAKAN METODE EMCE (EMPLOYEE MAPPING BASED ON REGIONAL CLUSTERS, UNIT CLUSTERS, UNIT CHARACTERISTICS, AND EMPLOYEE EXPERIENCE) MACHINE LEARNING BASED
Penelitian ini mengusulkan pendekatan berbasis EMCE (Employee Mapping berdasarkan Regional Clusters, Unit Clusters, Unit Characteristics, dan Employee Experience) dengan metode machine learning untuk memprediksi mutasi penempatan pegawai pemimpin unit di PLN. Tantangan dalam pengelolaan sumber daya manusia di PLN, khususnya terkait mutasi pegawai, memerlukan sistem yang lebih akurat, efisien, dan berbasis data. Integrasi antara data internal PLN (seperti riwayat jabatan, kinerja operasional, dan karakteristik unit kerja) serta data eksternal dari Badan Pusat Statistik (BPS) memungkinkan analisis mendalam terhadap kebutuhan spesifik dari tiap unit dan pengalaman pegawai. Penelitian ini menggabungkan algoritma XGBoost dan pendekatan Rule-Based Classification untuk menghasilkan model prediktif yang fleksibel dan interpretatif. XGBoost dipilih karena keunggulannya dalam menangani data skala besar dan kompleks, sementara Rule-Based Classification memungkinkan pengambilan keputusan yang lebih transparan. Selain itu, masalah ketidakseimbangan kelas dalam dataset diselesaikan dengan Synthetic Minority Oversampling Technique (SMOTE), yang memastikan distribusi kelas lebih merata sehingga model mampu belajar dari semua kelas dengan baik. Proses penelitian dimulai dari preprocessing data, rekayasa fitur, dan reduksi dimensi menggunakan Principal Component Analysis (PCA). Untuk klasterisasi unit kerja, digunakan algoritma k-Means yang membagi unit ke dalam tiga kategori: Sarana (SAR), Teknik (TEK), dan Transaksi Energi (TEL). Evaluasi model menggunakan metrik akurasi, precision, recall, dan F1-score, di mana hasil menunjukkan bahwa model XGBoost mencapai akurasi 89,74%. Analisis lebih lanjut melalui confusion matrix dan learning curve membuktikan bahwa model mampu melakukan generalisasi dengan baik tanpa mengalami overfitting. Kontribusi utama penelitian ini adalah menyediakan pendekatan berbasis data yang memungkinkan PLN melakukan mutasi pegawai secara lebih sistematis, akurat, dan transparan. Dengan memetakan identitas unit kerja dan pengalaman pegawai, sistem ini membantu memastikan kesesuaian antara kompetensi individu dan kebutuhan unit. Selain itu, pendekatan ini berpotensi untuk diintegrasikan ke dalam sistem manajemen SDM berbasis teknologi guna mengotomatiskan proses mutasi pegawai. Dari hasil penelitian, ditemukan bahwa karakteristik teknis seperti JTM (Jaringan Tegangan Menengah) dan jumlah pelanggan (PLG) memiliki pengaruh signifikan dalam pembentukan klaster unit. Selain itu, pengelolaan mutasi berbasis data tidak hanya mendukung efisiensi operasional PLN tetapi juga memfasilitasi transfer pengetahuan antarunit serta pengembangan karier pegawai secara berkelanjutan. Penelitian ini membuka peluang untuk eksplorasi lebih lanjut, termasuk penerapan deep learning untuk meningkatkan akurasi prediksi dan integrasi dengan data tidak terstruktur, seperti opini pegawai dalam bentuk teks. Dengan pendekatan ini, PLN diharapkan mampu mengembangkan strategi manajemen sumber daya manusia yang lebih efektif dan responsif terhadap tantangan operasional dan dinamika lingkungan bisnis.
USULAN KEBUTUHAN PRODUK UNTUK MENINGKATKAN TINGKAT ADOPSI PLATFORM SISTEM MANAJEMEN KAMPANYE MILIK PT XYZ
Penggunaan media sosial di seluruh dunia semakin selaras dengan isu yang sangat penting bagi industri pemasaran. Hal ini memperkuat alasan perusahaan memfokuskan strategi pemasarannya pada media sosial sebagai saluran tambahan. Munculnya media sosial dan perubahan perilaku konsumen telah mengubah pendekatan pemasaran tradisional menjadi strategi modern (Pemasaran 4.0), yang menekankan perlunya memprioritaskan saluran online untuk promosi. Pemasaran influencer, khususnya, menawarkan potensi signifikan untuk dieksplorasi oleh perusahaan. Dengan semakin mudahnya berbagi opini mengenai produk dan layanan di media sosial, influencer berperan penting dalam memberikan rekomendasi. Saat ini, tidak hanya selebritis tetapi juga individu biasa yang dapat dianggap sebagai influencer dalam lingkaran sosial mereka sendiri. Pergeseran ini menggarisbawahi pentingnya bagi perusahaan untuk mengevaluasi strategi pemasaran mereka secara hati-hati, khususnya dalam meningkatkan pengaruh dan meningkatkan kesadaran masyarakat terhadap produk atau layanan mereka. PT XYZ merupakan perusahaan yang bergerak di bidang analisis data yang menawarkan Sistem Manajemen Kampanye sebagai produk layanan yang melengkapi ekosistem produknya. Sebagai perusahaan yang berfokus pada analisis data, PT XYZ memiliki posisi yang baik untuk memberikan solusi bagi bisnis yang mencari untuk meningkatkan strategi pemasaran influencer mereka. Sistem Manajemen Kampanye dapat membantu perusahaan untuk memantau kampanye pemasaran yang dilakukan oleh karyawan internal perusahaan sebagai influencernya. Secara khusus, sistem manajemen kampanyenya memungkinkan merek memanfaatkan karyawan internal perusahaan sebagai yang pemberi pengaruh untuk bekerja lebih efektif dan mengoptimalkan hasil melalui wawasan berbasis data. Namun, kondisi sekarang analisis mengungkapkan bahwa adanya ketidakkonsistenan tingkat adopsi platform pada penggunaan campaign management system dan tidak mencapai parameter minimal yang klien harapkan. Pengembangan fitur yang memfokuskan pada kebutuhan terbaru klien butuh dilakukan dengan mendapatkan insight terlebih dahulu kepada pengguna saat ini. Penelitian menggunakan metode kualitatif dengan melakukan analisis faktor eksternal dan juga menggali kebutuhan pengguna platform dengan melakukan wawancara langsung kepada pemangku kepentingan terkait. Dari wawancara tersebut, terjelaskan bagaimana influencer memandang dan berinteraksi dengan sistem manajemen kampanye serta dapat disimpulkan apa saja fitur yang dianggap penting dan juga menangkap kebutuhan pelanggan yang belum terpenuhi dengan menggunakan pertanyaan terbuka Ditemukan bahwa tingkat adopsi platform berkaitan erat dengan faktor-faktor yang membuat pengguna bertahan dan berkelanjutan menggunakan platform. Hal tersebut akan membuat produk akan memiliki tingkat adopsi platform yang baik serta menjadi produk yang berkelanjutan serta kompetitif dalam industri. Tingkat kelekatan dapat dibangun dengan memfasilitasi fitur-fitur. Memperbaiki platform dengan menyempurnakan fitur-fitur yang ada dan mengembangkan fitur-fitur baru yang fokus pada pencapaian tujuan di atas, kemungkinan dapat meningkatkan tingkat adopsi yang diperlukan untuk PT XYZ dan meningkatkan kinerja platform secara signifikan.
ANALISIS MINIMUM EXPLOSIBLE CONCENTRATION LEDAKAN DEBU BATUBARA UKURAN 63-53 MIKROMETER MENGGUNAKAN EXPLOSION CHAMBER UKURAN 20 LITER SKALA LABORATORIUM
Debu batubara merupakan salah satu elemen yang dapat menimbulkan ledakan pada tambang batubara bawah tanah. Selain dapat menimbulkan ledakan, debu batubara juga dapat merusak kesehatan para pekerja tambang. Komponen penyebab ledakan antara lain oksigen, debu batubara sebagai bahan bakar, sumber panas, dispersi, dan kungkungan. Penelitian ini bertujuan untuk menganalisis Minimum Explosible Concentration (MEC) sehingga dapat menjadi acuan untuk menghindari terjadinya ledakan debu batubara. Pengujian ledakan debu batubara dengan ukuran partikel debu 63-53 mikrometer dengan menggunakan alat uji ledak batubara Siwek Chamber 20 L, berdasarkan acuan dari SNI 9240:2023. Penelitian ini dilakukan menggunakan sampel batubara yang berasal dari Provinsi Jambi dengan konsentrasi debu batubara yang bervariasi, yaitu 100 g/m3, 120 g/m3, 130 g/m3, 140 g/m3, 150 g/m3, 200 g/m3, 250 g/m3, dan 500 g/m3. Hasil dari penelitian ini menunjukkan bahwa, nilai tekanan ledakan maksimum dan laju kenaikan tekanan ledakan maksimum akan semakin meningkat seiring dengan bertambahnya konsentrasi debu batubara; kelas ledakan pada semua konsentrasi yang diuji tergolong ke dalam kelas ledakan 1 (ledakan lemah), dan nilai Minimum Explosible Concentration yang didapat adalah 120 g/m3. Selanjutnya, berdasarkan perbandingan dari penelitian saat ini dengan penelitian terdahulu terkait pengaruh nilai keseragaman partikel dan ukuran partikel terhadap nilai Minimum Explosible Concentration, didapatkan bahwa semakin kecil rentang ukuran partikel (seragam) dan semakin halus ukuran debu batubara, nilai Minimum Explosible Concentration akan semakin rendah.
VARIASI DISPERSANT PADA PENGUKURAN MIKROPLASTIK BERBASIS IMAGE PROCESSING TECHNIQUE PADA AIR PERMUKAAN
Dalam beberapa tahun terakhir, terjadi peningkatan jumlah publikasi mengenai kelimpahan mikroplastik di lingkungan karena mikroplastik telah menjadi salah satu masalah lingkungan terbesar. Untuk kuantifikasi mikroplastik secara cepat, akurat, dan praktis, salah satunya metode kuantifikasi yang dapat digunakan adalah image processing technique (IPT). Metode IPT menggunakan pencitraan langsung dan aplikasi ImageJ untuk menghitung partikel mikroplastik yang terdapat dalam air. Metode ini membutuhkan dispersant yang tepat agar partikel mikroplastik dapat terdispersi secara merata dan teridentifikasi pada region of interest (ROI). Penelitian ini berfokus pada penentuan dispersant optimum untuk mikroplastik jenis polystyrene (PS) dan polyamide (PA). Diperoleh korelasi yang sangat kuat antara konsentrasi/massa artificial sample mikroplastik PS dan PA dan jumlah partikel yang terkuantifikasi, dengan nilai R²>0,75 serta uji korelasi menunjukkan p-value<0,05, menandakan adanya hubungan linear signifikan. Uji-t menunjukkan p-value>0,05 untuk artificial sample mikroplastik, menandakan tidak terdapat perbedaan yang signifikan antara hasil kuantifikasi dengan IPT dan mikroskop. Namun, pada kuantifikasi sample air permukaan, IPT menghasilkan jumlah partikel yang lebih tinggi dibandingkan mikroskop karena mikroskop tidak dapat mengidentifikasi partikel <10 ?m. Uji-t pada sample air permukaan menunjukkan p-value<0,05 untuk partikel ukuran ?10 ?m, menandakan adanya perbedaan signifikan antara kuantifikasi menggunakan IPT dan mikroskop akibat teridentifikasinya semua jenis mikroplastik pada kuantifikasi sample sungai dengan mikroskop.