Hasil Pencarian  ::  Simpan CSV :: Kembali

"Otomasi dari verifikasi formal sebuah sistem membutuhkan mekanisasi logika yang menjadi basis metoda verifikasi yang digunakan. Logika yang dibutuhkan sering kali cukup rumit dan sebetulnya merupakan komposisi dari beberapa logika lainnya. Ini memberikan komplikasi ekstra karena sekarang aspek seperti hirarki antar logika dan modularitasnya merupakan aspek yang juga erlu diperhatikan. Framework yang ada cenderung berfokus pada mekanisasi dari sebuah logika saja dan ini menurut pengalaman kami kurang memuaskan untuk membangun sistem dengan multi logika. Dalam tulisan ini kami memberikan sebuah framework alternatif yang diharapkan lebih cocok untuk keperluan tersebut."

"Tuberkulosis (TB), yang disebabkan oleh Mycobacterium tuberculosis menjadi masalah kesehatan masyarakat yang signifikan di Indonesia. Permasalahan ini diperburuk oleh meningkatnya insiden resistensi antimikroba, terutama terhadap rifampisin sebagai obat lini pertama untuk tuberkulosis. Salah satu pendekatan yang menjanjikan untuk mengatasi masalah ini adalah eksplorasi obat-obatan baru. Aktinomiset, kelompok mikroorganisme yang dikenal menghasilkan berbagai senyawa bioaktif, telah banyak dilaporkan memiliki potensi dalam memproduksi antibiotik. Penelitian ini bertujuan untuk mengetahui potensi aktinomiset asal Indonesia sebagai penghasil senyawa bioaktif yang memiliki kemampuan menghambat M. tuberculosis resisten rifampisin. Penelitian ini menggunakan aktinomiset yang diisolasi dari Pulau Kalimantan, Indonesia, dan diseleksi menggunakan high-throughput screening dengan model Mycobacterium untuk menilai aktivitas anti-tuberkulosisnya. Ekstrak terpilih kemudian diuji lebih lanjut menggunakan metode uji kepekaan obat yang sudah divalidasi, seperti Resazurin Microtiter Assay (REMA) dan Drug Susceptibility Testing (DST-MGIT). Hasil penelitian menunjukkan bahwa satu spesies aktinomiset mampu menghambat strain Mycobacterium tuberculosis yang resistan terhadap rifampisin. High-resolution mass spectrometry (HRMS) dilakukan untuk mengidentifikasi senyawa kimia yang ditemukan dalam ekstrak aktif. Metabolit-metabolit ini dimurnikan lebih lanjut menggunakan kromatografi kolom untuk mengisolasi senyawa spesifik yang berperan dalam aktivitas anti-TB. Fraksi potensial dipisahkan menjadi dua senyawa, dan diperoleh fraksi dengan kode F12B yang memiliki satu spot pada KLT dan nilai MIC lebih rendah dibandingkan yang lain, yaitu 28 μg/mL melalui uji DST-MGIT dan 3 μg/mL melalui uji REMA.Metal-organic framework (MOF) telah menunjukkan potensi sebagai penyerap untuk penangkapan gas CO2, tetapi biaya pembuatannya tidak praktis untuk aplikasi industri. Peningkatan kapasitas adsorpsi CO2, penurunan biaya produksi, dan pengurangan energi regenerasi masih sedikit untuk diteliti. Dalam penelitian ini, kami membuat MOF dengan L-Glutamic Acid sebagai bio-ligan dan kobalt klorida sebagai sumber ion logam, yakni Bio-MOF Co-Glu. Keberhasilan fabrikasi Bio-MOF dievaluasi dengan scanning electron microscope, analisis isoterm adsorpsi-desorpsi N2, analisis gravimetri termal, X-ray difraksi, dan teknik Fourier-transform infrared spectroscopy. Pengukuran volumetrik diamati pada berbagai temperatur (27oC, 35oC, 50oC). Kalor isosterik adsorpsi dan selektivitas CO2/N2 juga dievaluasi dengan meregresi data eksperimen dengan teknik Persamaan Isotermal Langmuir-Freundlich dan IAST. Selanjutnya, pemodelan jaringan saraf menunjukkan validitas yang sangat tinggi (R = 0,99) dari data yang diprediksi. Optimasi multi-objektif dilakukan dengan tiga fungsi objektif. Titik optimum untuk mendapatkan kapasitas maksimum CO2 dan selektivitas dengan panas adsorpsi ringan berturut-turut adalah 0,158 g/g, 112,34 J/g, dan 2,105. Ini adalah studi pertama yang membuat prediksi dengan tiga fungsi objektif dalam adsorpsi gas dan melakukan optimasi multiobjektif untuk serapan CO2, panas adsorpsi, dan selektivitas. Hasil ini memberikan dasar untuk penggunaan algoritme pembelajaran mesin dalam hubungannya dengan pengoptimalan multi-objektif untuk menyelidiki kinerja adsorpsi gas di bawah persyaratan aplikasi industri.

---

Metal-organic frameworks (MOFs) have demonstrated potential as adsorbents for CO2 capture, but their cost makes them impractical for industrial applications. Increasing the CO2 adsorption capacity, lowering the MOF production cost, and reducing the energy regeneration have been less well studied. In the present study, we fabricate a MOF with L-Glutamic Acid as the bio-ligand and cobalt chloride as the metal-ion source, Bio-MOF Co-Glu. The success of Bio-MOF fabrication was evaluated by scanning electron microscopy, N2 adsorption-desorption isotherm analysis, thermal gravimetric analysis, x-ray diffraction, and Fourier-transform infrared spectroscopy techniques. The volumetric measurement was observed at various temperatures (27oC,35oC,50oC). Isosteric heat of adsorption and CO2/N2 selectivity were also evaluated by regressing the experimental data with Langmuir-Freundlich Isothermal equation and IAST techniques. Further, the neural network modelling showed a considerably high validity regressing (R=0,99) of the predicted data. Multi-objective optimization was conducted with three objective functions, CO2 uptakes, heat of adsorption, and CO2/N2 selectivity. The optimum point to get maximum capacity of CO2 and selectivity with mild heat of adsorption are 0,158 g/g, 112,34 J/g, and 2,105. respectively. This is the first study to make predictions in gas adsorption and conduct multi-objective optimization with a genetic algorithm for CO2 uptake, separation factor, and selectivity variable objectives. These results provide a basis for the use of machine learning algorithms in conjunction with multi-objective optimizations to investigate the output performance of gas adsorption under the requirements of industrial applications."

"Kami membuktikan bahwa Prinsip Entropi (yang menyatakan bahwa jika suatu proses bersifat tidak reversibel, maka nilai entropi sistem bertambah) tidak dapat dibuktikan secara logika hanya berdasarkan Hukum Termodinamika Kedua. Pembuktian itu menggunakan metode tabel kebenaran dalam logika proposisional."

"Assessing the reliability of complex multi-state systems comprising numerous sub-systems and components is one of the key challenges faced by industry. The effect of degradation of individual component on other associated components plays a vital role in entire system transition from a higher performance level to a lower performance level. The proposed work focuses on the effect of dependence or functional association among various components on system reliability. There are many components in any complex system that hold higher critical order and failure of these critical components may cause the decline in the performance level of the total system. This paper takes under consideration the critical order of each component along with their dependent nature and captures the effect of their degradation on overall system reliability."

"Banjir di perkotaan merupakan bencana yang signifikan karena banyaknya penduduk yang terkena dampaknya. Dalam kebanyakan kasus, banjir terjadi bersamaan dengan hujan lebat, sehingga jika diamati dari satelit yang menggunakan sensor optik, daerah tersebut tertutup awan. Penelitan ini mengusulkan framework baru untuk klasifikasi banjir daerah perkotaan menggunakan sensor satelit penginderaan jauh Synthetic Aperture Radar (SAR) yang mempunyai kemampuan menembus awan. Framework ini dikembangkan untuk mengklasifikasi daerah banjir dengan mempertahankan variasi temporalnya. Studi kasus yang digunakan adalah wilayah Jakarta menggunakan metode 3D CNN multi-sensor pada data Sentinel-1 (S-1) multi-temporal dan curah hujan rata-rata Climate Hazard Infrared Precipitation Sensor (CHIRPS). Data terdiri atas 24 scene S-1 dengan polarisasi ganda VV dan VH antara bulan Maret 2019-Februari 2020 yang terdiri dari 20 citra co-polarized dan cross-polarized yang terdiri dari 2 citra co-event, 18 citra pre-event, dan 4 citra post-event sebagai testing data dan data curah hujan dari CHIRPS. Training dilakukan dengan menggunakan hyperparameter 150 epoch, batch size sebesar 100, learning rate sebesar 0,001 dan komposisi data set training/testing digunakan 80/20. Hasil pengujian 3D CNN memberikan rata-rata overall accuracy sebesar 70,3% dengan waktu pemrosesan 113 detik untuk setiap epoch. Dengan hasil tersebut metode 3D CNN diharapkan mampu membantu mengestimasi luas area banjir yang akurat dan mengidentifikasi daerah yang berpotensi mengalami banjir dalam rangka deteksi dini/pencegahan banjir kota-kota lain di masa mendatang.

---

Urban flooding is a significant catastrophe due to its widespread impact on the population. Typically, floods occur concurrently with heavy rainfall, rendering the affected area obscured by clouds when observed through optical sensors on satellites. To address this issue, a novel approach is proposed in this study, aiming to classify flooded urban areas using a remote sensing synthetic aperture radar (SAR) sensor on a satellite. Unlike optical sensors, SAR has the ability to penetrate clouds. The framework was developed by employing the 3D Convolutional Neural Network (CNN) method to preserve the temporal variability, which processed multi-temporal SAR data from Sentinel-1 (S-1) and average rainfall data from the Climate Hazards Infrared Precipitation Sensor (CHIRPS). The dataset used in this research comprised 24 S-1 scenes with Dual VV and VH polarization, covering the period between March 2019 and February 2020 divided into 2 co-event images, 18 pre-event images, and 4 post-event images, along with rainfall data from CHIRPS. The training phase employed hyperparameters of 150 epochs, batch size of 100, and learning rate at 0,001, with training/testing data split of 80/20. The 3D CNN achieved an average overall accuracy of 70.3%, with maximum accuracy at 71,4% and each epoch taking 113 seconds on average to process. These results demonstrate the potential of the 3D CNN method to accurately estimate the extent of flooding and identify areas at risk of flooding, thereby aiding early detection and flood prevention efforts in other cities in the future."

"Pada tahap awal desain kapal, optimasi dimensi utama memiliki dampak yang signifikan dalam menentukan kinerja kapal dan total cost of ownership. Penelitian ini berfokus pada pendekatan multi-objective optimization (MOP) dengan surrogate model untuk tahap awal desain kapal. Penelitian ini menerapkan pendekatan ensemble dari 3 surrogate model: PR (Polynomial Regression), Kriging, dan BPNN-PSO (Backpropagation Neural Networks – Particle Swarm Optimizer) dan adaptive switching metamodeling (ASM) framework pada MOP. Framework ini didapatkan dari taksonomi surrogate model berdasarkan bagaimana fungsi objective dan constraint dimodelkan secara independen atau agregat. Hasil akurasi surrogate model menunjukkan ensemble surrogate model mempunyai performa terbaik dengan Mean Absolute Error (MAE) 10.75 dan R2 0.98. Kemudian, hasil optimization menunjukkan kombinasi Kriging dengan ASM memberikan performa terbaik dengan nilai Inverted Generational Distance (IGD) paling kecil dan hypervolume paling besar dibandingkan kombinasi lainnya. Di sisi lain, framework dengan fungsi objective dan constraint dioptimalkan secara independen (framework M1-2), mendapatkan performa IGD yang paling baik untuk ensemble maupun individual surrogate model. Varian solusi desain dari kombinasi Kriging dan ASM framework memberikan nilai objective kebutuhan daya 60% lebih kecil dan berat baja 7% lebih kecil (dengan waktu desain 300 kali lebih cepat), jika dibandingkan dengan hasil desain oleh desainer kapal.

---

In the early stages of ship design, optimization of main ship dimensions significantly impacts ship performance and the total cost of ownership. This research focuses on the Multi-Objective Optimization (MOP) approach with the surrogate model for the early stages of ship design. This study applies an ensemble approach of 3 surrogate models: PR (Polynomial Regression), Kriging, and BPNN-PSO (Backpropagation Neural Networks - Particle Swarm Optimizer) and Adaptive Switching Metamodeling (ASM) framework on MOP. This framework is obtained from the surrogate model taxonomy based on how the objective and constraint functions are modeled independently or in aggregate. The results of the surrogate model accuracy show that the ensemble surrogate model has the best performance with a Mean Absolute Error (MAE) of 10.75 and R2 of 0.98. Then the optimization results show that the combination of Kriging with the ASM framework has the best performance with the smallest IGD value and the largest hypervolume compared to other combinations. Meanwhile, frameworks with objective and constraint functions optimized independently (framework M1-2) have the best IGD performance for both ensemble and individual surrogate models. The design solution variant of the Kriging and ASM framework has objective values of 60% less effective power and 7% less steel weight requirements (with design time 300 times faster), when compared to the original design by the expert/ship designer."