📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 6,268 dokumenSISTEM DRONE DENGAN KEMAMPUAN PENGENALAN OBJEK BERBASIS RADAR MICROWAVE IMAGING: IMPLEMENTASI LENSA DIELEKTRIK DAN KARAKTERISASI PENCITRAAN GELOMBANG MIKRO
Sistem pengenalan objek visual konvensional yang diintegrasikan pada platform Unmanned Aerial Vehicle (UAV) untuk misi pencarian dan penyelamatan (Search and Rescue / SAR) memiliki ketergantungan yang sangat tinggi terhadap kondisi pencahayaan optimal dan visibilitas atmosfer. Ketika dihadapkan pada skenario lingkungan dengan jarak pandang rendah akibat kabut tebal, asap, atau hambatan fisik berupa vegetasi / dedaunan, performa kamera optik akan mengalami penurunan fungsional. Untuk mengatasi batasan tersebut, teknologi microwave imaging berbasis gelombang milimeter menawarkan solusi yang tahan karena memiliki kemampuan penetrasi yang mampu menembus medium dielektrik non konduktif. Penelitian Tugas Akhir ini memfokuskan pada rekayasa dan karakterisasi perangkat keras sub-sistem sensor serta sistem navigasi gelombang mikro jarak dekat untuk menyediakan landasan pencitraan dua dimensi yang andal bagi UAV. Komponen penginderaan utama yang diimplementasikan dalam sistem ini adalah modul sensor Pulsed Coherent Radar (PCR) Acconeer XM112 yang beroperasi pada frekuensi 60,5 GHz dengan konsumsi daya maksimum rendah sebesar 81,3 mW. Meskipun frekuensi tinggi tersebut secara teoritis memberikan resolusi spasial yang tajam karena panjang gelombangnya yang sangat pendek (5 mm), sensor ini memiliki keterbatasan fisik bawaan berupa sudut pancaran setengah daya / Half- Power Beamwidth (HPBW) pada bidang horizontal yang relatif lebar, yaitu mencapai 70?. Sudut pancaran yang divergen ini menyebabkan gelombang elektromagnetik pancaran melebar saat menabrak target, yang dapat menyebabkan fenomena pikselasi berlebih yang membuat area yang memantulkan gelombang menjadi melebar (blooming) serta menurunkan ketajaman batas tepi objek. Masalah tersebut diselesaikan melalui perancangan komponen pembias berupa Integrated Lens Antenna (ILA) plano-konveks yang diperpanjang menggunakan material dielektrik padat Polylactic Acid (PLA) dengan indeks bias 1,57, yang didesain secara analitis mengacu pada prinsip optik geometris dan Hukum Snellius. Karakterisasi parameter fisik antena dilakukan melalui metode pengukuran pola radiasi monostatik di medan jauh dengan memanfaatkan corner reflector trihedral sebagai target pantul dengan nilai Radar Cross Section (RCS) tinggi. Pengambilan data daya terima dilakukan pada bidang horizontal (azimuth) dengan resolusi sudut antarsampel sebesar 10?. Hasil karakterisasi menunjukkan bahwa integrasi lensa dielektrik PLA berhasil memfokuskan berkas gelombang mikro secara signifikan, menyempitkan nilai HPBW pada bidang horizontal bawaan radar dari 71.44? menjadi 13,36?, atau merepresentasikan efisiensi pemfokusan sudut pancaran sebesar 81,31%. Pengujian performa pencitraan spasial selanjutnya dilakukan melalui pemindaian mekanis dua dimensi terhadap objek target konduktif berupa huruf ‘SOS’ berdimensi 20 x 12 cm yang diletakkan pada jarak 20 cm dibawah radar dengan interval pemindaian sebesar 2 cm hingga membentuk matriks citra resolusi 12 x 25 piksel. Tingkat kemiripan dan ketajaman citra spasial dianalisis secara kuantitatif menggunakan metrik Peak Signal-to-Noise Ratio (PSNR) terhadap matriks ideal melalui pembatasan jarak dan kuantisasi amplitudo 8 level. Berdasarkan hasil pengujian pada skenario tanpa penghalang (line-of-sight), penambahan lensa PLA terbukti meningkatkan nilai PSNR dari 10,41 dB menjadi 12,76 dB. Pada skenario penghalang styrofoam, lensa mempertahankan nilai PSNR tinggi pada angka 11,31 dB, sedangkan pada skenario penghalang daun-daun gugur, pemfokusan beamwidth sensor Acconeer oleh lensa mampu meminimalkan efek scattering oleh bahan organik dan membuat nilai PSNR citra pada level 9,547 dB. Keberhasilan rekayasa sub sistem ini secara langsung menghasilkan data citra spasial yang tajam, yang berfungsi sebagai penyedia input matriks amplitudo beresolusi tinggi untuk diproses lebih lanjut oleh sub-sistem data processing yang mengimplementasikan klasifikasi dengan Tiny Machine Learning (TinyML).
PERANCANGAN “JAGAT KERTHI” LIVING HERITAGECENTER SEBAGAI PUSAT EDUKASI WARISAN BUDAYA BALI DENGAN PENDEKATAN NARATIF-MULTISENSORI
Perkembangan masif pariwisata di Bali selama beberapa dekade terakhir telah memicu krisis sosial yang tidak hanya berdampak pada degradasi ekosistem, tetapi juga pada terputusnya relasi manusia dengan nilai budaya yang selama ini menjadi dasar keharmonisan kehidupan masyarakat Bali. Alih fungsi lahan, degradasi lingkungan, dan overturisme pada ruang pariwisata telah menggeser praktik budaya dari sistem pengetahuan hidup menjadi komoditas simbol yang terlepas dari konteksnya. Kondisi ini menunjukkan kelemahan ruang edukasi publik dalam mentransmisikan makna budaya secara utuh, baik kepada masyarakat urban maupun wisatawan. Untuk menjembatani permasalahan tersebut, diperlukan sebuah pusat warisan budaya yang tidak hanya berfungsi sebagai wadah pelestarian budaya, tetapi juga dirancang untuk menerjemahkan nilai-nilai kearifan lokal Bali menjadi sebuah narasi ruang yang relevan terhadap kondisi masa kini dan dapat diapresiasi oleh pengunjung. Penelitian ini mengusulkan perancangan sebuah pusat warisan budaya sebagai fasilitas edukasi publik di Uluwatu, Bali, dengan fokus pada penciptaan ruang edukasi yang interaktif. Metode penelitian kualitatif berupa pengumpulan data studi literatur, observasi lapangan, dan studi preseden diterjemahkan ke dalam strategi desain interior berbasis naratif dan desain multisensori untuk membangun pengalaman belajar yang lebih imersif dan meningkatkan keterlibatan emosional pengunjung. Berlandaskan pada teori persepsi spasial yang memandang pengalaman ruang sebagai hasil interaksi antara stimulus lingkungan dengan proses kognitif dan sensorik pengguna, hasil perancangan menghadirkan desain interior yang mendukung aktivitas pembelajaran budaya Bali melalui pendekatan desain naratif-multisensori yang diimplementasikan pada materialitas, tata ruang, pencahayaan, tata suara, aroma, tekstur, serta sekuens antar program ruang.
SENSITIVITY ANALYSIS OF C7+ PSEUDO-COMPONENT ACENTRIC FACTOR ON CO? SATURATION, CO? SATURATION DISTRIBUTION, AND RECOVERY FACTOR AS A REPRESENTATION OF CO? MICROBUBBLE INFLUENCE
CO? microbubble injection is an alternative EOR strategy for sub-MMP reservoir conditions; however, commercial reservoir simulators do not yet provide a dedicated mode for this mechanism. This study extends previous work by conducting a sensitivity analysis of the acentric factor of the C7+ pseudocomponent within a three-dimensional proxy reservoir model to evaluate its influence on CO? saturation distribution and recovery factor as a representation of CO? microbubble injection, using an indirect PVT tuning approach in the tNavigator compositional simulator. A 200 × 200 × 30 Cartesian grid model representing depleted reservoir conditions was constructed, and CO? saturation matching was performed against the experimental trends of Xue et al. (2014). Five sensitivity scenarios were evaluated by reducing the C7+ acentric factor by 5%, 10%, 15%, 20%, and 25% from the base matched value. Results showed that reducing the acentric factor consistently increased average CO? saturation, improved CO? saturation distribution along the reservoir, and enhanced oil recovery as represented by the recovery factor. Quadratic polynomial correlations between the acentric factor and recovery factor were established at three injection evaluation points with R² values above 0.97, valid within the range of 0.2625 ? ? ? 0.35. These findings confirm that the acentric factor of the C7+ component is the dominant PVT parameter whose variation significantly influences CO? distribution and oil recovery in the context of CO? microbubble injection representation using the tNavigator simulator
“MERANCANG MODEL BISNIS BERKELANJUTAN BAGI PENGEMBANG PROPERTI: INTEGRASI PRINSIP ‘PEOPLE, PLANET, PROFIT’ UNTUK MENCAPAI KEUNGGULAN BERSAING JANGKA PANJANG” (STUDI KASUS: PT REKA BENTUK RUMAH)
Studi ini merancang model bisnis berkelanjutan bagi PT Reka Bentuk Rumah, pengembang properti skala menengah di Indonesia, dengan mengintegrasikan prinsip People, Planet, dan Profit ke dalam strategi keunggulan bersaing jangka panjang. Penelitian ini merespons tekanan urbanisasi, keterjangkauan hunian, degradasi lingkungan, tanggung jawab iklim, dan perubahan ekspektasi konsumen yang menunjukkan keterbatasan model pembangunan business-as-usual. Pada tingkat perusahaan, masalah bisnis utamanya adalah bahwa PT Reka Bentuk Rumah telah memiliki pengetahuan desain hijau, tetapi kapabilitas tersebut masih bergantung pada pendiri dan belum tertanam secara sistematis dalam mekanisme penciptaan, penyampaian, dan penangkapan nilai perusahaan. Dengan pendekatan kualitatif berbasis desain, penelitian ini menggunakan Design Thinking sebagai alur proses dan Triple-Layered Business Model Canvas (TLBMC) sebagai instrumen utama perancangan. Data diperoleh dari literatur, laporan industri, dokumen regulasi, data proyek internal dan pembanding, serta wawancara validasi dengan delapan ahli yang dipilih secara purposif dari bidang green building, perbankan dan pembiayaan perumahan, pengembangan properti, perumahan terjangkau, dan kebijakan publik. Temuan menunjukkan bahwa logika finansial green building berbasis premium harga kurang sesuai untuk segmen perumahan subsidi dan terjangkau yang harga jualnya dibatasi oleh regulasi atau daya beli konsumen. Sebagai alternatif, penelitian ini mengusulkan capital velocity sebagai mekanisme finansial utama: desain hijau pasif dapat meningkatkan kenyamanan, menurunkan biaya operasional, memperkuat kepercayaan pembeli, mendukung percepatan absorpsi penjualan, dan memperpendek siklus modal kerja tanpa menaikkan harga jual. TLBMC yang diusulkan menanamkan desain pasif, kesiapan sertifikasi, dokumentasi pembiayaan hijau, dan manfaat praktis bagi pembeli ke dalam model operasi perusahaan. Studi ini berkontribusi dengan menawarkan cetak biru kontekstual bagi pengembang skala menengah dan memposisikan keberlanjutan sebagai kapabilitas organisasi, keunggulan pasar, serta landasan menuju pengembangan regeneratif.
SSISTEM DRONE DENGAN KEMAMPUAN PENGENALAN OBJEK BERBASIS RADAR MICROWAVE IMAGING: PENGOLAHAN CITRA DAN PELATIHAN MODEL CNN
Sistem pengenalan objek visual konvensional pada kendaraan udara nirawak (unmanned aerial vehicle/UAV) dalam misi pencarian dan penyelamatan (search and rescure/SAR) rentan terhadap penfurunan kinerja dalam kondisi cuaca buruk dan pencahayaan yang kurang baik. Untuk mengatasi keterbatasan ini, pencitraan gelombang mikro (microwave imaging) menghadirkan alternatif yang kuat karena kemampuan penetrasinya yang dalam. Penelitian ini mengusulkan kerangka kerja pengenalan objek lokal yang ditujukan untuk aplikasi drone menggunakan sensor pulsed coherent radar (PCR) Acconeer XM112 yang beroperasi pada 60,5 GHz. Saat melakukan scanning, sistem harus dapat mengenali apakah objek yang telah dipindai merupakan bentuk ‘SOS’ atau tidak. Hal ini agar drone dapat mengenali landing pad—yang memiliki tulisan konduktif ‘SOS’ dan digelar oleh korban yang hilang—dan melakukan pendaratan pada landing pad tersebut untuk mengantarkan pertolongan dan mengirimkan koordinat lokasi ke ground station. Sistem pada penelitian ini bekerja dengan melakukan scanning menggunakan modul sensor Acconeer pada bentuk ‘SOS’ yang dibuat, mengolah data mentah yang direkam oleh sensor menjadi citra, dan memasukannya ke dalam model convolution neural network (CNN) yang dilatih untuk melakukan klasifikasi apakah citra input merupakan citra ‘SOS’. Dibuat modul yang berfungsi untuk mengolah data mentah output dari sensor dari bentuk format H5 yang terdiri atas data amplitudo, jarak, timestamp, dan parameter-parameter radar lainnya menjadi citra dalam bentuk matriks. Sensor Acconeer tersebut memiliki half-power beamwidth (HPBW) yang relatif lebar—sekitar 70°—sehingga berpengaruh pada kualitas citra yang dipindai. Untuk mengatasi HPBW yang lebar tersebut, didesain lensa berbahan material dielektrik polylactic acid (PLA) padat yang diintegrasikan untuk memfokuskan berkas elektromagnetik lensa. Untuk mengevaluasi kinerja lensa terhadap kualitas citra yang dihasilkan, dilakukan uji coba scanning dengan dua parameter: status lensa dielektrik terintegrasi (tanpa atau dengan lensa) dan jenis penghalang huruf ‘SOS’ (tanpa penghalang, dedaunan gugur, atau styrofoam). Untuk menguantisasi kemiripan masing-masing citra dengan ‘SOS’ ideal, dibuat modul pembanding menggunakan citra ‘SOS’ ideal yang diekstrak dari file PNG. Perbandingan tersebut dihitung menggunakan metode peak signal-to-noise ratio (PSNR). Hasil menunjukkan PSNR dengan rentang 8,096–12,76 dB, dengan PSNR terendah pada citra dengan parameter tanpa lensa dan jenis penghalang dedaunan gugur. Untuk kecerdasan objek, sebuah model CNN ringan dirancang dan dioptimalkan untuk penerapan Tiny Machine Learning (TinyML) pada mikrokontroler ESP32. Model dilatih pada kombinasi data scanning empiris dan matriks amplitudo sintetis untuk mengenali pola ‘SOS’. Pembuatan dan pelatihan model CNN meliputi pembuatan modul Python yang berfungsi untuk membuat data sintetis yang digunakan sebagai data latih, mendefinisikan arsitektur model CNN, dan melakukan validasi model menggunakan citra hasil scanning. Setelah data mentah H5 yang diambil diolah menjadi matriks, dilakukan tes recognition menggunakan model CNN yang sudah dilatih. Hasil menunjukkan huruf ‘SOS’ berhasil dikenali untuk semua kombinasi parameter, dengan rentang tingkat keyakinan 89,93–100%, kecuali untuk citra dengan parameter tanpa lensa dan jenis penghalang dedaunan gugur, yang memiliki tingkat keyakinan 7,35% sebagai antisipasi klasifikasi yang bersifat false positive. Sistem tertanam ini berhasil mengeksekusi inferensi real-time di tepi jaringan. Integrasi ini menunjukkan subsistem microwave imaging berdaya rendah yang mampu melakukan pengenalan bentuk ‘SOS’ sehingga menyediakan fondasi subsistem yang tahan terhadap gangguan jarak pandang untuk misi SAR.
ANALISIS PENGARUH KOMBINASI FITUR MULTI-DOMAIN TERHADAP DETEKSI ANOMALI PADA DATA TIME-SERIES (STUDI KASUS: PELANGGAN AMI SATU FASA PLN)
Deteksi anomali pada data time-series penting dilakukan untuk mengidentifikasi pola yang menyimpang dari perilaku normal, sebelum menimbulkan kerugian yang lebih besar. Kinerja deteksi anomali sangat dipengaruhi oleh representasi fitur yang digunakan. Namun, penelitian terdahulu umumnya masih mengintegrasikan fitur secara parsial, sehingga pengaruh kombinasi fitur yang lebih komprehensif termasuk fitur hasil rekayasa dari model unsupervised learning, belum banyak dikaji. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi pendekatan deteksi anomali berbasis rekayasa fitur pada domain statistik, waktu, peer-based, frekuensi, dan skor anomali dari model unsupervised learning. Sebagai studi kasus, digunakan data konsumsi listrik harian pelanggan Advanced Metering Infrastructure (AMI) satu fasa milik PLN tahun 2025, yang terdiri atas 13.877 pelanggan, yaitu 13.387 pelanggan normal dan 490 pelanggan anomali berdasarkan hasil inspeksi petugas lapangan Penertiban Pemakaian Tenaga Listrik (P2TL). Pendekatan yang diusulkan terdiri atas dua tahapan, yaitu deteksi pada level harian dan agregasi pada level pelanggan. Pada tahap level harian, dilakukan rekayasa fitur yang meliputi pembentukan fitur domain statistik z-score dan IQR, pembentukan fitur domain waktu yaitu akhir pekan dan hari libur, pembentukan fitur peer-based untuk mengelompokkan pelanggan dengan golongan tarif, daya, dan konteks waktu yang sama, pembentukan fitur domain frekuensi menggunakan Fast Fourier Transform (FFT) dengan window 30 hari, 90 hari, dan kombinasinya, serta fitur berupa skor anomali dari model unsupervised learning yaitu Local Outlier Factor (LOF), Isolation Forest, One-Class SVM (OCSVM), dan DBSCAN, yang digunakan sebagai input dari model supervised learning XGBoost untuk menghasilkan probabilitas anomali harian. Kemudian pada tahap level pelanggan, probabilitas anomali harian diagregasi menggunakan pendekatan top 2-2,5% mean probability berdasarkan konsep Multi-Instance Learning (MIL). Pendekatan mean probability tersebut digunakan sebagai keseimbangan antara responsivitas deteksi dan ketahanan terhadap noise pembacaan meter. Evaluasi kinerja model dilakukan dengan menggunakan metrik F1-score kelas anomali, F1-macro, dan AUC, karena lebih representatif pada ketidakseimbangan kelas yang signifikan antara pelanggan normal dengan anomali. Eksperimen dilakukan menggunakan kombinasi 10 kelompok fitur dan 3 varian dataset. Hasil terbaik adalah menggunakan kelompok fitur domain statistik, domain waktu, peer-based, domain frekuensi, dan fitur skor anomali DBSCAN pada varian dataset FFT dengan window 30 hari (FFT30), yang menghasilkan F1-score kelas anomali sebesar 0,539, F1-macro 0,761, dan AUC 0,920 pada data test. Hasil ini lebih baik dibandingkan dengan pendekatan fitur statistik yang menghasilkan F1-score kelas anomali 0,326. Pada evaluasi data validation menunjukkan bahwa penambahan fitur hasil rekayasa varian FFT30 memberikan peningkatan performa model yaitu, penambahan fitur statistik meningkatkan performa F1-score kelas anomali dari 0,125 menjadi 0,326, penambahan fitur domain waktu meningkatkan performa menjadi 0,333, penambahan fitur peer-based tidak meningkatkan performa model, penambahan fitur domain frekuensi meningkatkan performa menjadi 0,443, dan penambahan fitur skor anomali dari DBSCAN meningkatkan performa menjadi 0,479. Peningkatan performa yang cukup besar terlihat pada penambahan fitur statistik, yang disebabkan karena fitur z-score dan IQR dapat menangkap deviasi konsumsi pelanggan terhadap rata-rata golongan tarif-daya-nya, sehingga mampu mengkoreksi pola konsumsi normal atau tidak yang terjadi pada golongannya. Sedangkan peningkatan performa pada domain frekuensi disebabkan karena fitur tersebut mampu menangkap ketidakteraturan/periodisitas pola konsumsi pada periode waktu tertentu. Kontribusi penelitian ini terletak pada integrasi lima domain fitur secara komprehensif, termasuk pemanfaatan skor anomali dari model unsupervised learning pada konteks pelanggan AMI satu fasa. Hasil dari penelitian ini membuktikan bahwa kombinasi fitur domain statistik, domain waktu, peer-based, domain frekuensi, dan fitur tambahan dari model lain dapat meningkatkan kinerja deteksi anomali dibandingkan metode konvensional berbasis statistik saja.
KAJIAN FITNESS-FOR-SERVICE KOMPONEN BERTEKANAN PADA INDUSTRI HULU DENGAN INTEGRASI MACHINE LEARNING
Komponen bertekanan pada industri hulu minyak dan gas, seperti segmen pipa dan bejana tekan, dapat mengalami degradasi ketebalan akibat general metal loss yang menurunkan kemampuannya menahan tekanan operasi. Metode Fitness-for-Service (FFS) berdasarkan API 579-1/ASME FFS-1 digunakan untuk menilai komponen terkorosi, tetapi bergantung pada data laju korosi dari hasil inspeksi yang mahal dan biasanya tidak tersedia untuk seluruh komponen. Machine learning berperan penting untuk mengisi keterbatasan tersebut dengan memprediksi laju korosi komponen yang belum diinspeksi. Penelitian ini bertujuan mengevaluasi kelayakan operasi komponen yang mengalami general metal loss menggunakan FFS, memberikan rekomendasi bagi komponen yang tidak memenuhi kriteria, serta mengembangkan model machine learning untuk memprediksi laju korosi sebagai masukan FFS Level 1. Penilaian dilakukan terhadap 396 data segmen pipa dan 84 data bejana tekan. Model berbasis tree dikembangkan dengan dukungan data sintetis TVAE dan CTGAN untuk mengatasi keterbatasan jumlah data. Model terbaik segmen pipa adalah Random Forest dengan augmentasi CTGAN (R2 = 0,400 ± 0,035), sedangkan bejana tekan menggunakan Random Forest dengan augmentasi CTGAN (R2 = 0,344 ± 0,094). Penilaian FFS Level 1 berbasis prediksi menunjukkan kesesuaian terhadap penilaian berbasis laju korosi aktual sebesar 81%, 78%, dan 91% pada segmen pipa serta 94%, 88%, dan 82% pada bejana tekan untuk kriteria average measured thickness, MAWP, dan minimum measured thickness, dengan kesesuaian keseluruhan masing-masing sebesar 83% dan 94%. Komponen yang tidak memenuhi kriteria direkomendasikan untuk rerating atau perbaikan nonmetallic composite repair. Prediksi laju korosi berbasis machine learning dapat menjadi pendekatan pendukung dalam penilaian awal kelayakan, tetapi tetap perlu divalidasi dengan data inspeksi aktual dan tidak menggantikan evaluasi FFS langsung.
PENGEMBANGAN ADSORBEN ZN-ALGINAT UNTUK ADSORPSI ION CE(III) SEBAGAI DASAR PERANCANGAN MODUL PEMBELAJARAN KONSEP LARUTAN DAN INTERAKSI ANTARMOLEKUL
Serium (Ce) merupakan salah satu logam tanah jarang yang banyak dimanfaatkan dalam berbagai bidang industri. Peningkatan pemanfaatan serium ini berpotensi meningkatkan kandungan ion Ce(III) dalam limbah cair yang dapat menimbulkan dampak lingkungan dan kesehatan. Walaupun tingkat toksisitas serium tidak setinggi logam berat lain seperti timbal, namun serium dapat terakumulasi melalui rantai makanan, sehingga diperlukan teknologi pemisahan yang efektif, ekonomis, dan ramah lingkungan. Adsorpsi menggunakan biopolimer alginat merupakan salah satu metode yang menjanjikan karena memiliki gugus karboksilat yang mampu mengikat ion logam. Namun, stabilitas mekanik dan kapasitas adsorpsi alginat masih perlu ditingkatkan melalui proses ikat silang menggunakan ion logam. Di sisi lain, fenomena adsorpsi yang melibatkan konsep larutan dan interaksi antarmolekul memiliki potensi untuk diintegrasikan ke dalam pembelajaran kimia berbasis eksperimen sehingga mampu menghubungkan konsep teoritis dengan fenomena nyata. Penelitian ini bertujuan untuk mengembangkan adsorben Zn-alginat untuk adsorpsi ion Ce(III), mengkaji karakteristik dan mekanisme adsorpsinya, serta mengimplementasikan hasil penelitian tersebut sebagai dasar pengembangan modul pembelajaran kimia berbasis eksperimen pada materi konsep larutan dan interaksi antarmolekul. Adsorben Zn-alginat disintesis melalui metode gelasi ionik menggunakan variasi konsentrasi larutan ZnCl2 sebagai pengikat silang. Adsorben yang diperoleh dikarakterisasi menggunakan Fourier Transform Infrared Spectroscopy (FTIR) dan Scanning Electron Microscopy-Energy Dispersive X-ray Spectroscopy (SEM-EDS). Studi adsorpsi dilakukan dengan mempelajari pengaruh konsentrasi crosslinker, pH larutan, massa adsorben, waktu kontak, suhu adsorpsi. Mekanisme adsorpsi dikaji melalui pemodelan kinetika, isoterm, dan parameter termodinamika. Dilakukan pula uji penggunaan ulang adsorben melalui prosedur adsorpsi- desorpsi. Hasil penelitian selanjutnya digunakan sebagai dasar penyusunan modul pembelajaran berbasis eksperimen menggunakan model pengembangan ADDIE. Validitas modul dianalisis menggunakan indeks Aiken V, sedangkan efektivitas modul dievaluasi melalui analisis Rasch terhadap hasil tes awal dan tes akhir peserta didik. Hasil penelitian menunjukkan bahwa adsorben Zn-alginat berhasil disintesis, dengan konsentrasi ZnCl2 2% menghasilkan kinerja adsorpsi terbaik. Karakterisasi FTIR menunjukkan adanya perubahan pita serapan gugus hidroksil dan karboksilat setelah adsorpsi yang mengindikasikan keterlibatan gugus fungsi dalam proses pengikatan ion Ce(III). Hasil SEM-EDS memperlihatkan morfologi permukaan yang relatif tetap setelah adsorpsi, disertai munculnya unsur Ce serta penurunan kandungan Zn yang mengindikasikan terjadinya interaksi antara adsorben dan adsorbat. Kondisi optimum adsorpsi diperoleh pada pH 4, massa adsorben 0,05 g, dan waktu kontak 240 menit. Data kinetika mengikuti model orde semu dua dengan nilai koefisien determinasi (R2) sebesar 0,9969, yang mengindikasikan bahwa laju adsorpsi dikendalikan oleh interaksi kimia pada situs aktif adsorben. Data isoterm mengikuti model Langmuir (R2 = 0,9979) dengan kapasitas adsorpsi maksimum sebesar 55,09 mg/g yang menunjukkan adsorpsi berlangsung sebagai lapisan tunggal pada permukaan yang relatif homogen. Analisis termodinamika menunjukkan bahwa proses adsorpsi berlangsung secara spontan (?G° < 0), bersifat endotermik (?H° > 0), dan disertai peningkatan ketidakteraturan antarmuka padat-cair (?S° > 0). Berdasarkan keseluruhan hasil karakterisasi dan studi adsorpsi, mekanisme adsorpsi diduga didominasi oleh interaksi kimia melalui kompleksasi gugus karboksilat dan pertukaran ion. Uji penggunaan ulang menunjukkan kinerja adsorben yang masih baik setelah tiga siklus adsorpsi-desorpsi. Modul pembelajaran yang dikembangkan memperoleh nilai indeks Aiken V sebesar 0,96 dengan kategori sangat valid. Hasil implementasi modul yang dikembangkan menunjukkan peningkatan kemampuan peserta didik yang ditunjukkan oleh kenaikan nilai person measure dari 0,08 logit pada tes awal menjadi 1,20 logit pada tes akhir berdasarkan analisis Rasch. Hasil penelitian ini menunjukkan bahwa Zn-alginat berpotensi sebagai adsorben untuk pemisahan ion Ce(III), sekaligus menjadi konteks pembelajaran yang mampu menghubungkan konsep kimia dengan aplikasi nyata melalui kegiatan eksperimen.
DESAIN DAN IMPLEMENTASU SISTEM INSTRUMENTASI DATA MULTIPARAMETER UNTUK KARAKTERISASI MOTOR INDUKSI TIGA FASA BERBASIS ANALISIS DOMAIN WAKTU DAN FREKUENSI
Motor induksi tiga fasa merupakan penggerak utama lini produksi industri, namun kegagalannya masih terjadi pada saat operasi berjalan meskipun perawatan terjadwal telah diterapkan, sementara analisis kondisi multi-domain hanya bermakna apabila data akuisisinya valid sesuai prinsip garbage in, garbage out. Tugas akhir ini menyajikan penyiapan motor under test berupa motor induksi tiga fasa 0,25 HP yang dikendalikan Variable Frequency Drive (VFD) beserta rangkaian proteksi dan beban eddy current brake, serta desain dan implementasi sistem instrumentasi data multi-parameter berbasis empat node ESP32 sebagai bagian dari sistem predictive maintenance dan fault diagnostics yang terintegrasi IoT. Arus tiga fasa diakuisisi untuk memantau kondisi elektrikal dan vibrasi untuk kondisi mekanikal dengan analisis yang diutamakan pada domain frekuensi, sementara kecepatan putar dan suhu casing menjadi parameter pendukung validasi, dan telemetri VFD memastikan keluaran VFD sesuai dengan masukan yang diberikan. Hasil pengujian menunjukkan seluruh spesifikasi terpenuhi, dengan kesalahan pengukuran arus RMS sebesar 0,43 hingga 1,20% terhadap batas 3% dan galat kecepatan putar sebesar 0,11 hingga 0,34% terhadap batas 1% pada seluruh setpoint 20 hingga 100 Hz, serta telemetri yang terbaca dengan benar hingga setpoint maksimum 100 Hz. Analisis spektrum vibrasi pada kondisi healthy mengidentifikasi empat komponen frekuensi yang seluruhnya dapat dijelaskan secara fisis dari karakteristik operasi normal motor yang digerakkan VFD. Sistem terintegrasi ini menghasilkan data multi-parameter yang valid dan membentuk baseline referensi untuk pengembangan deteksi dan diagnosis kegagalan motor pada tahap selanjutnya.
METABOLIT SEKUNDER DARI DAUN DEHAASIA SUMATRANA (LAURACEAE) DAN UJI AKTIVITAS INHIBISINYA TERHADAP ENZIM KOLINESTERASE
Penyakit Alzheimer merupakan salah satu masalah kesehatan global, termasuk di Indonesia. Eksplorasi senyawa bioaktif baru yang berpotensi menghambat enzim kolinesterase yang berperan dalam penyakit Alzheimer sangat penting untuk dilakukan. Biodiversitas tumbuhan Indonesia yang tinggi dan dikenal dengan potensinya sebagai sumber obat memberikan peluang besar dalam penemuan senyawa bioaktif alami. Salah satu tumbuhan obat yang banyak ditemukan di Indonesia adalah Dehaasia. Tumbuhan dalam genus ini termasuk dalam famili Lauraceae dan tersebar luas di wilayah Asia Tenggara dan Cina. Genus ini diketahui mengandung metabolit sekunder golongan alkaloid, terpenoid, dan fenilpropanoid, dengan aktivitas biologis yang beragam, sehingga berpotensi untuk digunakan dan dikembangkan sebagai obat. Salah satu spesies dari genus ini adalah Dehaasia sumatrana. Namun, hingga saat ini penelitian kajian metabolit sekunder pada daun tumbuhan D. sumatrana serta bioaktivitas anti-Alzheimernya belum pernah dilaporkan. Oleh karena itu, penelitian ini dilakukan untuk mengisolasi dan mengidentifikasi metabolit sekunder yang terkandung dalam daun D. sumatrana yang tumbuh di Kebun Raya Bogor, Indonesia, serta menguji aktivitas inhibisi enzim kolinesterase dari ekstrak metanol daun D. sumatrana dan senyawa hasil isolasi. Proses isolasi dimulai dengan ekstraksi menggunakan metode maserasi terhadap serbuk daun dalam pelarut metanol. Klorofil dari ekstrak metanol daun dipisahkan dengan ekstraksi cair-cair menggunakan n-heksana. Ekstrak metanol bebas klorofil selanjutnya difraksinasi dan dimurnikan melalui berbagai teknik kromatografi, yaitu kromatografi cair vakum (KCV), kromatografi kolom gravitasi (KKG) menggunakan fasa diam silika, serta KKG menggunakan fasa diam Sephadex LH-20. Senyawa murni hasil isolasi diidentifikasi strukturnya menggunakan spektroskopi NMR (1D dan 2D), spektrometri massa (MS), dan putaran optik. Senyawa hasil isolasi dari ekstrak daun D. sumatrana kemudian diuji lebih lanjut aktivitas inhibisinya terhadap enzim asetilkolinesterase dan butirilkolinesterase. Pada penelitian ini telah berhasil diperoleh dua lignan dibenzosiklooktadiena, yaitu kadsulignan L dan kadsulignan N, dari ekstrak daun D. sumatrana. Kedua senyawa tersebut pertama kali diidentifikasi pada genus Dehaasia (Lauraceae), tetapi telah dilaporkan dari genus lain, seperti Kadsura (Schisandraceae). Hasil uji bioaktivitas menunjukkan bahwa ekstrak metanol daun, kadsulignan L, dan kadsulignan N memiliki persentase inhibisi terhadap asetilkolinesterase berturut-turut sebesar 59,9 ± 1,87%; 6,5 ± 2,36%; dan 19,2 ± 2,34%. Sementara itu, persentase inhibisi terhadap butirilkolinesterase berturut-turut adalah 59,3 ± 2,26%; 25,9 ± 2,91%; dan 11,3 ± 2,35%. Hasil tersebut juga memperlihatkan bahwa ekstrak metanol daun dan kedua senyawa hasil isolasi memiliki aktivitas inhibisi yang rendah terhadap enzim asetilkolinesterase dan butirilkolinesterase.
ANALISIS DAMPAK LINGKUNGAN INSTALASI PENGOLAHAN AIR LIMBAH (IPAL) BERBASIS MOVING BED BIOFILM REACTOR (MBBR) DI JAKARTA MENGGUNAKAN METODE LIFE CYCLE ASSESSMENT (LCA).
Instalasi Pengolahan Air Limbah (IPAL) berbasis Moving Bed Biofilm Reactor (MBBR) semakin banyak diadopsi untuk pengolahan air limbah domestik karena efisiensinya dalam menyisihkan BOD, COD, dan amonia. Namun, operasionalnya yang mengandalkan aerasi intensif berpotensi menimbulkan beban lingkungan yang signifikan dan kajian kuantitatif mengenai hal ini di Indonesia masih sangat terbatas. Penelitian ini menganalisis dampak lingkungan IPAL MBBR X di Jakarta Selatan menggunakan metode Life Cycle Assessment (LCA) dengan pendekatan gate-to-gate dan metode karakterisasi CML Baseline 2001. Tiga kategori dampak yang dikaji adalah Global Warming Potential (GWP), Acidification Potential (AP), dan Eutrophication Potential (EP), dengan unit fungsional 1 m³ air limbah terolah. Data operasional diperoleh selama periode Oktober–Desember 2025. Hasil analisis menunjukkan nilai GWP sebesar 1,4091 kg CO?-eq/m³, AP sebesar 0,0303 kg SO?- eq/m³, dan EP sebesar 0,024 kg PO?³?-eq/m³. Unit MBBR BOD/COD menjadi hotspot utama untuk GWP (61,65%) dan AP (49,2%), yang sebagian besar didorong oleh konsumsi energi blower aerasi. Temuan menarik diperoleh pada kategori EP yaitu unit MBBR amonia mendominasi dampak eutrofikasi (42,16%) bukan karena kandungan nutrien sisa di efluen, melainkan akibat pelepasan fosfor intraseluler dari lisis sel bakteri nitrifikasi yang mengalami tekanan metabolik ditandai dengan lonjakan total fosfor hingga 13,2 kali lipat. Tiga skenario perbaikan diusulkan yaitu instalasi Solar Panel yang berpotensi menurunkan GWP sebesar 26,9% dan AP sebesar 9,22%, Variable Frequency Drive (VFD) berpotensi menurunkan GWP sebesar 14% dan AP sebesar 4,8%, serta peningkatan dosis PAC sebesar 30% untuk menurunkan EP sebesar 3,89%. Analisis sensitivitas lanjut menunjukkan bahwa dekarbonisasi jaringan listrik PLN dalam jangka panjang berpotensi memberikan penurunan GWP hingga 79,6% pada skenario energi terbarukan penuh.
PENGEMBANGAN MODEL PREDIKTIF TERINTEGRASI ANTARA KESIAPAN KARGO PULP DAN KEDATANGAN KAPAL BREAKBULKUNTUK MENURUNKAN BIAYA DEMURRAGEDAN BIAYA INVENTORI DI PT. X
Sinkronisasi antara kesiapan kargo dan kedatangan kapal merupakan tantangan utama dalam operasional pengapalan pulp breakbulk di PT. X karena secara langsung memengaruhi biaya demurrage, biaya inventori, dan efisiensi logistik. Dalam praktiknya, keputusan penjadwalan pemuatan kapal umumnya masih ditentukan berdasarkan perencanaan statis tanpa mengintegrasikan informasi prediktif mengenai kesiapan kargo dan kedatangan kapal. Penelitian ini bertujuan mengembangkan suatu kerangka sistem pendukung keputusan prediktif terintegrasi untuk mengoptimalkan keputusan penjadwalan pemuatan kapal melalui integrasi prediksi kesiapan kargo dan prediksi kedatangan kapal untuk meminimalkan total biaya logistik yang terdiri atas biaya demurrage dan biaya inventori. Prediksi kesiapan kargo dilakukan menggunakan model hibrida yang mengombinasikan rencana produksi, Seasonal Autoregressive Integrated Moving Average with Exogenous Variables (SARIMAX), dan produksi historis dengan komposisi bobot optimum 60:30:10, sedangkan deviasi kedatangan kapal diprediksi menggunakan model Extreme Gradient Boosting (XGBoost). Hasil kedua model diintegrasikan melalui mekanisme penambahan hari sebagai buffer untuk menghasilkan rekomendasi penjadwalan pemuatan kapal yang adaptif. Kinerja model kemudian dievaluasi menggunakan pendekatan minimasi biaya demurrage dan biaya inventori. Hasil penelitian menunjukkan bahwa model prediksi kesiapan kargo yang diusulkan mampu menurunkan Mean Absolute Error (MAE) sebesar 76,7%, dari 2,15 hari pada kondisi saat ini menjadi 0,50 hari. Selain itu, model prediksi kedatangan kapal berbasis XGBoost mampu menurunkan MAE sebesar 30,0%, dari 1,50 hari menjadi 1,05 hari. Integrasi keduanya menghasilkan rekomendasi penjadwalan kedatangan kapal yang lebih adaptif terhadap variasi produksi dan ketidakpastian kedatangan kapal, sehingga mampu menurunkan total biaya logistik hingga 84% dibandingkan praktik saat ini. Hasil tersebut menunjukkan bahwa pendekatan yang diusulkan tidak hanya meningkatkan akurasi prediksi, tetapi juga secara efektif menerjemahkan hasil prediksi menjadi keputusan operasional yang mampu meningkatkan efisiensi logistik. Penelitian ini memberikan kontribusi berupa pengembangan sistem pendukung keputusan yang menghubungkan proses peramalan dengan keputusan penjadwalan kedatangan kapal untuk mendukung pengambilan keputusan operasional yang lebih efektif.
ISOLASI DAN UJI AKTIVITAS PENGHAMBATAN ?-GLUKOSIDASE LIGNAN DIBENZOSIKLOOKTADIENA DARI KAYU BATANG DEHAASIA SUMATRANA (LAURACEAE)
Diabetes melitus merupakan penyakit metabolik kronis yang ditandai dengan hiperglikemia akibat gangguan sekresi insulin, kerja insulin, atau kombinasi keduanya. Meningkatnya prevalensi diabetes di dunia serta risiko komplikasi yang ditimbulkannya menjadikan pengendalian kadar glukosa darah sebagai salah satu aspek penting dalam terapi. Keterbatasan obat antidiabetes yang tersedia mendorong eksplorasi senyawa alam sebagai kandidat obat baru. Indonesia merupakan negara dengan keanekaragaman hayati yang tinggi, dan salah satu genus yang belum banyak diteliti adalah Dehaasia. Tumbuhan genus ini telah dilaporkan memiliki beragam aktivitas biologis seperti antiplasmodial, antibakteri, sitotoksik, antioksidan, dan antimalaria. Salah satu spesies dari genus Dehaasia adalah Dehaasia sumatrana, yakni pohon atau semak tropis yang dapat tersebar di Asia Tenggara, termasuk Indonesia. Penelitian mengenai metabolit sekunder D. sumatrana yang tumbuh di Indonesia masih sangat terbatas dan penelitian terhadap kayu batangnya belum pernah dilaporkan. Oleh karena itu, penelitian ini bertujuan untuk melakukan isolasi senyawa, karakterisasi struktur, serta mengevaluasi aktivitas penghambatan ?-glukosidase dari kayu batang D. sumatrana yang tumbuh di Indonesia. Tahapan isolasi meliputi ekstraksi menggunakan metanol yang kemudian diuapkan dengan rotary vacuum evaporator hingga diperoleh ekstrak kental. Ekstrak dipisahkan dan dimurnikan menggunakan kromatografi cair vakum, kromatografi kolom gravitasi dan kromatografi radial. Kemurnian senyawa hasil isolasi diuji menggunakan kromatografi lapis tipis (KLT) dengan tiga eluen yang berbeda. Struktur senyawa hasil isolasi dikarakterisasi menggunakan NMR 1D (1H-NMR dan 13C-NMR), NMR 2D (HSQC, HMBC, dan COSY), serta spektrometri massa resolusi tinggi (HR-ESI-TOF-MS), sedangkan konfigurasi absolutnya ditentukan menggunakan analisis putaran optik dan difraksi sinar-X kristal tunggal (SC-XRD). Selanjutnya, aktivitas penghambatan ?-glukosidase dari senyawa hasil isolasi dievaluasi. Penelitian ini berhasil mengisolasi tiga metabolit sekunder dari kayu batang D. sumatrana yang diidentifikasi sebagai kadsulignan L (2,73 g), kadsulignan N (36,4 mg), dan neokadsuranin (56,1 mg). Tiga senyawa tersebut merupakan lignan dengan kerangka dibenzosiklooktadiena yang pertama kali ditemukan dari genus Dehaasia, meskipun sebelumnya telah dilaporkan dari genus Kadsura (Schisandraceae). Selanjutnya, ekstrak metanol kayu batang serta tiga senyawa hasil isolasi diuji terhadap aktivitas penghambatan ?-glukosidase dan menunjukkan aktivitas penghambatan yang lemah.
PERANCANGAN DESAIN ALAS KAKI BAGI IBU HAMIL TRIMESTER 3
Kehamilan trimester ketiga merupakan fase adaptasi fisiologis dan perubahan struktural maksimal pada seluruh tubuh. Pada tubuh bagian bawah terutama kaki, keluhan yang sering ditemui adalah edema (pembengkakan) dan kram kaki pada ibu hamil. Kondisi ini menjadi lebih berisiko bagi ibu hamil penderita hipertensi karena pembuluh darah yang cenderung kaku. Pada kondisi ini, kaki ibu hamil dapat mengalami perubahan ukuran seperti penambahan panjang kaki, lebar kaki, lebar tumit, lebar pergelangan kaki, lebar area forefoot, peningkatan foot posture index, berkurangnya lengkung kaki, dan penambahan size kaki. Kondisi dema dan kram kaki sulit diprediksi, membuat mereka tidak nyaman, dan tidak percaya diri. Penanganan non-farmakologis konvensional seperti yoga dan pijat kehamilan tidak dianjurkan bagi penderita hipertensi karena berisiko memicu kontraksi prematur. Sedangkan penanganan yang aman untuk dilakukan seperti merendam kaki dengan air hangat/dingin, stretching, menaikkan kaki ke tembok, dan menggunakan stocking khusus, pelaksanaannya sulit untuk dilakukan di luar rumah, membutuhan space yang besar, dan seringkali membutuhkan bantuan dari orang lain. Oleh karena itu, penelitian ini bertujuan merancang desain alas kaki khusus yang mampu meredakan keluhan kaki pada ibu hamil trimester ketiga menggunakan pendekatan user-centered design (UCD). Metode perancangan didasarkan pada pengumpulan data primer melalui wawancara dan kuesioner, serta data sekunder melalui studi produk preseden dan literatur medis. Penelitian ini menghasilkan rancangan alas kaki berkonsep hands-free slip-on yang dilengkapi fitur kompres hangat/dingin berupa removable gel pack dan outsole dengan slot untuk pemasangan stretching band. Desain disesuaikan secara ergonomis untuk memberikan ruang bagi kaki yang membengkak serta menghindari penekanan pada titik-titik meridian kaki yang dilarang bagi ibu hamil. Produk final ini terbukti secara mandiri dapat meningkatkan kenyamanan dan relaksasi ibu hamil tanpa memicu kontraksi.
PENGEMBANGAN MODEL MACHINE LEARNING UNTUK MEMPREDIKSI OUTCOME PADA PASIEN TUBERKULOSIS PARU BERDASARKAN DATA FDA ADVERSE EVENT REPORTING SYSTEM (FAERS)
Tuberkulosis paru merupakan penyakit infeksi kronik menular yang masih menjadi tantangan kesehatan masyarakat secara global. Berdasarkan pedoman tata laksana TB nasional, pasien diwajibkan menjalani terapi menggunakan Obat Anti Tuberkulosis (OAT) lini pertama, namun berpotensi memicu reaksi obat yang tidak dikehendaki (ROTD) yang dapat mempengaruhi outcome pasien. Penelitian ini bertujuan untuk mengidentifikasi karakteristik dan pola kejadian ROTD serius pada pasien TB paru, serta mengevaluasi performa beberapa algoritma machine learning dalam memprediksi outcome pasien TB paru berdasarkan database FDA Adverse Event Reporting System (FAERS) periode 2023-2025. Data diunduh melalui situs resmi FDA dalam format ASCII, yang selanjutnya diolah menggunakan platform KNIME (Konstanz Information Miner) melalui serangkaian tahapan meliputi proses pra-pengolahan data, exploratory data analysis (EDA), pembersihan data, dan rekayasa fitur. Pemodelan dilakukan melalui tujuh algoritma supervised learning yang mencakup Naïve Bayes, Logistic Regression, Decision Tree, Tree Ensemble, Random Forest, Gradient Boosted Trees, dan XGBoost Tree Ensemble dengan empat tipe model prediktif (outcome multikelas, HO vs non-HO, LT vs non-LT, DE vs non-DE), yang dievaluasi menggunakan metrik F-measure dan Area Under the Receiver Operating Characteristic Curve (AUROC). Hasil penelitian menunjukkan bahwa Gradient Boosted Trees merupakan algoritma dengan performa terbaik pada model prediktif outcome multikelas (F-measure: 0,320 dan AUROC: 0,903) dan outcome HO (F-measure: 0,361 dan AUROC: 0,808). XGBoost Tree Ensemble menjadi algoritma terbaik pada model prediktif outcome LT dengan F-measure: 0,183 dan AUROC: 0,910, sedangkan Decision Tree sebagai algoritma terbaik pada model prediktif outcome DE dengan F-measure: 0,219 dan AUROC: 0,956. Penelitian ini diharapkan dapat berkontribusi dalam pengembangan sistem pemantauan keamanan obat berbasis machine learning untuk mendukung praktik farmakovigilans pada pasien tuberkulosis paru.