Hasil Pencarian  ::  Simpan CSV :: Kembali

"Wireless Sensor Network (WSN) adalah jaringan yang terdiri dari kumpulan node sensor berukuran kecil yang berfungsi untuk memantau dan mengirimkan data ke base station (BS). WSN menawarkan berbagai keunggulan seperti biaya yang rendah dan instalasi yang mudah. Namun, keterbatasan energi pada setiap node sensor menyebabkan masa operasionalnya menjadi terbatas. Keterbatasan ini semakin signifikan pada aplikasi di lingkungan yang sulit dijangkau karena penggantian atau pengisian ulang energi tidak dapat dilakukan dengan mudah. Oleh karena itu, dibutuhkan efisiensi energi untuk memastikan WSN dapat beroperasi secara optimal dalam jangka waktu yang lama. Penelitian ini mengusulkan protokol clustering dan routing menggunakan algoritma tuna swarm optimization dan hybrid multi-hop routing (TSO-HMR) untuk mengoptimalkan efisiensi energi dan memperpanjang network lifetime. Algoritma tuna swarm optimization (TSO) digunakan untuk mengoptimalkan klaster jaringan dengan mengevaluasi rata-rata dan standar deviasi jarak antara node sensor dan pusat klasternya sehingga jarak komunikasi dalam klaster berkurang dan konsumsi energi menjadi lebih efisien. Sementara itu, pemilihan cluster head (CH) dilakukan secara adaptif dengan mengevaluasi energi residu node sensor, jarak ke base station (BS), dan jarak node sensor dalam klaster. Skema hybrid multi-hop routing dirancang untuk memilih jalur komunikasi yang optimal untuk mengurangi energi yang dikonsumsi dalam proses komunikasi antara CH dan BS dengan CH dapat mengirimkan data langsung ke BS atau melalui CH lain yang bertindak sebagai relay dengan memenuhi persyaratan seperi energi residu tersisa, jarak antara relay dengan BS dan CH, serta jarak antara CH dengan BS. Hasil simulasi menunjukkan bahwa TSO-HMR meningkatkan efisiensi energi secara signifikan, yaitu dengan meningkatnya network lifetime sebesar 94.1% dibandingkan penelitian sebelumnya, yaitu tuna swarm optimization and fuzzy logic control (TSFC). Penelitian ini menunjukkan potensi TSO-HMR sebagai solusi yang andal untuk mengatasi keterbatasan energi dalam WSN, khususnya pada aplikasi yang membutuhkan kinerja jaringan dengan masa operasional yang panjang.

---

Wireless Sensor Network (WSN) consists of numerous small-scale sensor nodes deployed to monitor environmental parameters and transmit data to a base station (BS). Despite their advantages, including cost-effectiveness and ease of deployment, WSNs face a critical limitation in the form of constrained energy resources at each sensor node, which significantly affects the operational lifetime of the network. This limitation becomes particularly challenging in inaccessible environments, where replacing or recharging batteries is impractical. Consequently, optimizing energy consumption is paramount to ensure prolonged and reliable network operation. This study introduces a novel clustering and routing protocol, termed tuna swarm optimization and hybrid multi-hop routing (TSO-HMR), designed to enhance energy efficiency and extend network lifetime. The tuna swarm optimization (TSO) algorithm is employed to optimize cluster formation by minimizing the average and standard deviation of distances between nodes and their respective cluster centers. This approach improves the compactness of cluster structures, reducing intra-cluster communication distances and energy consumption. Furthermore, the selection of cluster heads (CHs) is performed adaptively using a fitness function that evaluates three critical parameters: the residual energy of sensor nodes, their distances to the BS, and the intra-cluster distances. To further reduce energy consumption during data transmission, a hybrid multi-hop routing scheme is incorporated. This scheme enables CHs to transmit data either directly to the BS or through other CHs acting as relays. The relay selection process is governed by multiple criteria, including residual energy, the distance between the relay and both the BS and transmitting CH, as well as the distance between the transmitting CH and the BS. This dual-mode routing mechanism ensures optimal energy utilization across the network. Simulation results demonstrate that the TSO-HMR protocol achieves substantial improvements in energy efficiency, with a 94.1% increase in network lifetime compared to the baseline protocol, tuna swarm optimization and fuzzy logic control (TSFC). This research highlights the potential of TSO-HMR as a robust solution for addressing energy constraints in WSNs, particularly in scenarios demanding prolonged operational performance. "

"Coronavirus disease (COVID-19) adalah penyakit pernapasan menular yang disebabkan oleh jenis coronavirus baru. Penyakit ini sebelumnya disebut dengan 2019-nCoV atau 2019 novel coronavirus. Virus penyebab COVID-19 ini adalah SARS-CoV-2. Terdapat varian SARS-CoV-2 lain yang memiliki potensi berdampak besar bagi kesehatan masyarakat seperti Lambda dan Mu. Ada pula kelompok varian SARS-CoV-2 under monitoring yang belum diketahui dampak dan bentuk penyebarannya di tingkat masyarakat. Kappa, Iota, dan Epsilon merupakan beberapa contoh varian yang termasuk ke dalam kelompok tersebut. World Health Organization (WHO) terus melakukan pengawasan kemunculan varian SARS-CoV-2 yang baru. Varian SARS-CoV-2 yang telah diketahui penularan dan dampaknya cukup signifikan pada masyarakat hingga saat ini adalah Alpha, Beta, Delta, Gamma, dan Omicron. Penelitian ini menggunakan data dari kelima varian SARS-CoV-2 tersebut. Penelitian ini mengimplementasikan program unsupervised dari machine learning yaitu simulasi proses clustering untuk mengelompokkan varian SARS-CoV-2. Dilakukan ekstraksi fitur terhadap data sekuens protein SARS-CoV-2 menggunakan package discere dalam bahasa pemrograman Python. Melalui proses ekstraksi fitur dihasilkan 27 fitur data sekuens protein SARS-CoV-2 yang siap digunakan. Elbow method kemudian diimplementasikan terhadap data untuk mengetahui jumlah pembentukan cluster yang optimal untuk digunakan pada clustering. Berdasarkan elbow method didapatkan jumlah cluster optimal untuk simulasi clustering sebanyak  dan dilakukan juga simulasi dengan  untuk memberi kesempatan kepada seluruh varian untuk membentuk clusternya sendiri.  Metode clustering yang digunakan pada penelitian ini adalah spectral clustering. Cluster yang dihasilkan kemudian dievaluasi menggunakan metrik evaluasi silhouette score serta melihat runtime pada setiap simulasi yang dilakukan. Hasil silhouette score untuk simulasi dengan  bernilai 0,614 dan untuk simulasi dengan  yang bernilai 0,631. Durasi rata-rata runtime mencatat bahwa simulasi dengan  dengan 6,566 detik lebih baik dibanding simulasi dengan  dengan 7,529 detik. Berdasarkan hasil tersebut, spectral clustering dapat dilakukan terhadap varian SARS-CoV-2 dengan pemilihan jumlah cluster  menggunakan elbow method.

---

Coronavirus disease (COVID-19) is an infectious respiratory disease caused by a new type of coronavirus. This disease was previously called 2019-nCoV or 2019 novel coronavirus. The virus that causes COVID-19 is the SARS-CoV-2. There are several variants of SARS-CoV-2 that have the potential to have a major impact on public health, such as Lambda and Mu. There is also a group of variants of SARS-CoV-2 under monitoring whose impact and form of spread are unknown at the community level. Kappa, Iota, and Epsilon are some examples of variants that belong to this group. The World Health Organization (WHO) continues to monitor the emergence of a new variant of SARS-CoV-2. The variants of SARS-CoV-2 that are known to transmit and have a significant impact on society so far are Alpha, Beta, Delta, Gamma and Omicron. This study uses data from that five variants of SARS-CoV-2. This study implements an unsupervised program from machine learning, which is a simulation of the clustering process to group variants of SARS-CoV-2 . Feature extraction was carried out on the SARS-CoV-2 protein sequence data using discere package in the Python programming language. Through the feature extraction process, 27 features of the SARS-CoV-2 protein sequence data were produced which were ready for use. The elbow method is then implemented on the data to find out the optimal number of cluster formations for use in clustering. Based on the elbow method, the optimal number of clusters for the clustering simulation is  and a simulation with  is also carried out to provide an opportunity for all variants to form their own clusters. The clustering method used in this study is spectral clustering. The resulting clusters are then evaluated using the silhouette score evaluation metric and looking at the runtime in each simulation that is performed. The results of the silhouette score for the simulation with  is worth 0.614 and for the simulation with  it is worth 0.631. The average duration of the runtime noted that the simulation with  with 6.566 seconds was better than the simulation with  with 7.529 seconds. Based on these results, spectral clustering can be carried out on the SARS-CoV-2 variant by selecting the number of  clusters using the elbow method."

"Pembentukan dan perkembangbiakan sel tumor terjadi jika protein khusus yang mengatur pembelahan sel mengalami perubahan fungsi, ekspresi gen atau hilang keduanya. Salah satu protein penekan tumor yang berperan dalam pengendalian siklus sel adalah protein TP53. Pada sebagian besar perubahan genetik dalam tumor, baik delesi atau mutasi pada lebih dari 50% kanker pada manusia, ditemukan mutan TP53 yang merupakan faktor beresiko tinggi terhadap kanker. Oleh karena itu, penting untuk melakukan studi tentang pengelompokan interaksi protein-protein TP53. Interaksi protein secara umum disajikan dalam jaringan graf (graph network) dengan protein sebagai simpul dan interaksinya sebagai busur. Algoritma Markov Clustering (MCL) adalah satu metode graph clustering yang dibuat berdasarkan simulasi dari flow stokastik pada suatu graf. Dalam skripsi ini, dibahas mengenai implementasi algoritma MCL pada data interaksi protein-protein TP53 dengan menggunakan bahasa pemrograman Python. Algoritma MCL terdiri dari tiga operasi utama yaitu ekspansi, penggelembungan, dan pemotongan. Selanjutnya, dilakukan analisis hasil clustering dari simulasi algoritma MCL dengan menggunakan parameter ekspansi, penggelembungan dan faktor pengali yang berbeda-beda. Berdasarkan analisis hasil clustering yang dilakukan, algoritma MCL terbukti menghasilkan robust cluster dengan protein TP53 sebagai pusat cluster untuk setiap hasil clustering.

---

The formation and proliferation of tumor cells occurs if a special protein that regulates cell division changing the function, gene expression or lost both. One of the tumor suppressor protein that plays a role in controlling the cell cycle is the TP53 protein. In most of the genetic changes in the tumor, either deletions or mutations in more than 50% of human cancers, it found that mutant of TP53 is a high risk factor for cancer. Therefore, it is important to conduct studies on protein-protein interactions clustering of TP53. Protein interactions are generally presented in the graph network with proteins as nodes and interactions as edges. Markov Clustering (MCL) algorithm is a graph clustering method which is based on a simulation of stochastic flow on a graph. This minithesis discussed about the implementation of the MCL process on protein-protein interaction of TP53 data using the Python programming language. MCL algorithm consists of three main operations: expansion, inflation, and prune. Furthermore, the clustering simulation is using the different parameter of expansion, inflation and the multiplier factor. Based on the analysis of the clustering results, MCL algorithm is proven to produce robust cluster with TP53 protein as a centroid for each clustering results."

"ABSTRAKProtein memiliki peranan penting dalam mengontrol fungsi enzim, mengatur produksi dan aktivitas di dalam sel. Untuk melakukan hal ini, protein berinteraksi dengan protein-protein lainnya, DNA dan molekul-molekul lainnya. Jaringan interaksi protein-protein ini memiliki ukuran yang sangat besar. Sehingga untuk memudahkan dalam menganalisis jaringan ini diperlukan metode clustering. Pada penelitian ini, algoritma Markov clustering digabungkan dengan algoritma firefly yang disebut sebagai algoritma firefly-Markov clustering FMCL . Pada algoritma FMCL, posisi kunang-kunang akan menggantikan nilai parameter inflate. Kemudian proses clustering akan berlangsung menggunakan algoritma Markov clustering MCL . Selanjutnya posisi kunang-kunang akan terus diperbarui dan proses clustering akan terus dilakukan sampai diperoleh hasil clustering terbaik. Komputasi paralel pada algoritma FMCL menggunakan OpenMP. Setiap thread menjalankan proses pada Markov clustering menggunakan parameter inflate yang ditentukan oleh posisi kunang-kunangnya. Hasil yang diperoleh pada data jaringan interaksi protein HIV ada 4 cluster. Dari 4 cluster ini terdapat satu cluster besar yang saling terhubung dengan 6 pusat cluster lainnya yaitu NEF, GAG, GAG-POL, VPR, VIF dan VPU. Pada 3 cluster lainnya yang menjadi pusat cluster adalah TAT, REV dan ENV. Sedangkan dengan menggunakan data jaringan interaksi protein pada Human Herpesvirus tipe 4 HHV-4 diperoleh 14 cluster. Protein yang menjadi pusat cluster adalah EBNA-LP, BKRF1, BPLF1, LMP1, SUMO2, BBLF2-BBLF3, EBNA3B, BRLF1, BGLF4, BYRF1. Selain itu, juga dapat dilihat bahwa ada beberapa cluster yang hanya merupakan interaksi antara dua protein yaitu BBRF1 dengan NFKB2, EBNA3A dengan CHEK2, LMP2A dengan ITCH, dan EBNA3C dengan EP300. Speed up algoritma FMCL yang dijalankan menggunakan OpenMP pada data HIV dan HHV-4 adalah 4.73x dan 3.21x lebih cepat dibandingkan dengan algoritma FMCL yang dijalankan secara sekuensial.

---

ABSTRACTProtein plays an important role in controlling enzyme function, regulating production and activity in cell. To do this function, proteins will interact with other protein, DNA and other molecules. Protein interaction network have a very large size. Then to simplify analyzing this network is required clustering method. In this study, Markov clustering algorithm combined with a firefly algorithm called firefly Markov clustering algorithm FMCL . In FMCL algorithm, firefly position will be replace the value of inflate parameter. Then clustering process will take place using Markov clustering algorithm MCL . Futhermore, the firefly position will be updated and clustering process will be continue until its get the best clustering. Parallel computing on FMCL algorithm using OpenMP. Each thread will run the process on Markov clustering by using inflate parameter specified by the position of firefly. The clustering result from protein interaction network on HIV is 4 clusters. From this cluster, there is a large cluster connected with 6 other cluster centers, they are NEF, GAG, GAG POL, VPR, VIF and VPU. In the 3 other clusters that become the center of the cluster are TAT, REV and ENV. While by using protein interaction network on HHV 4 obtained 14 clusters. The proteins that become the center of the clusters are EBNA LP, BKRF1, BPLF1, LMP1, SUMO2, BBLF2 BBLF3, EBNA3B, BRLF1, BGLF4 and BYRF1. In addition, it can be seen that there are several clusters that are just interaction between two proteins, BBRF1 with NFKB2, EBNA3A with CHECK2, LMP2A with ITCH and EBNA3C with EP300. The speed up of FMCL algorithm by using OpenMP HIV and HHV 4 data is 4.73x and 3.21x faster than the sequentially executed."

"k Berbahasa Indonesia/Berbahasa Lain (Selain Bahasa Inggris): Wireless Sensor Networks (WSN) terdiri dari node sensor yang tersebar dalam area monitoring untuk mengumpulkan dan mengirimkan data. Namun, keterbatasan energi pada node sensor menjadi tantangan utama dalam memperpanjang network lifetime. Ketergantungan pada baterai sebagai sumber daya menyebabkan node sensor mudah mengalami kehabisan energi, yang pada akhirnya memengaruhi kinerja jaringan. Oleh karena itu, diperlukan pendekatan yang efektif untuk mengurangi konsumsi energi dan menyeimbangkan distribusi beban dalam jaringan sensor. Penelitian ini mengusulkan protokol Single-Hop Clustering Routing berbasis Tuna Swarm Optimization (TSO) dan Gravitational Search Algorithm (GSA). Algoritma TSO digunakan untuk membentuk cluster secara optimal dengan meminimalkan jarak komunikasi antar node dalam cluster, sedangkan GSA diterapkan untuk memilih cluster head (CH) berdasarkan faktor-faktor seperti residual energy, jarak ke base station (BS), dan jarak intracluster. Hasil simulasi menunjukkan bahwa algoritma TSO-GSA mampu meningkatkan efisiensi energi dan memperpanjang lifetime jaringan secara signifikan dibandingkan protokol referensi TSO-FC. Pada skenario utama dengan 100 node dalam area 150 × 150 m², TSO-GSA mencatat peningkatan lifetime jaringan sebesar 24.03% pada LND (1615 round dibandingkan 1302 round oleh TSO-FC). Namun, sebagai trade-off, FND pada TSO-GSA terjadi lebih awal, yaitu pada round ke-444 dibandingkan round ke-902 pada TSO-FC. Di sisi lain, protokol ini mampu mempertahankan energi residu yang lebih tinggi, mencapai peningkatan sebesar 17,22% pada round ke-800 dibandingkan TSO-FC. Selain itu, algoritma TSO-GSA menunjukkan adaptabilitas yang baik terhadap perubahan kompleksitas jaringan, dengan peningkatan LND sebesar 26,7% dalam lingkungan dengan 200 node. Dalam hal performa komunikasi, protokol ini juga meningkatkan jumlah total data yang diterima BS sebesar 12,5% dibandingkan TSO-FC. Dengan keunggulan-keunggulan tersebut, penelitian ini menyimpulkan bahwa protokol TSO-GSA dapat menjadi solusi efektif untuk mengoptimalkan efisiensi energi dan memperpanjang lifetime jaringan dalam WSN.

---

Wireless Sensor Networks (WSN) consist of sensor nodes distributed in a monitoring area to collect and transmit data. However, the limited energy of sensor nodes is a major challenge in extending network lifetime. Dependence on batteries as a power source causes sensor nodes to easily run out of energy, which ultimately affects network performance. Therefore, an effective approach is needed to reduce energy consumption and balance load distribution in sensor networks. This research proposes a Single-Hop Clustering Routing protocol based on Tuna Swarm Optimization (TSO) and Gravitational Search Algorithm (GSA). The TSO algorithm is used to form clusters optimally by minimizing the communication distance between nodes in the cluster, while GSA is applied to select the cluster head (CH) based on factors such as residual energy, distance to the base station (BS), and intracluster distance. Simulation results show that the TSO-GSA algorithm is able to significantly improve energy efficiency and extend network lifetime compared to the reference protocol TSO-FC. In the main scenario with 100 nodes in a 150 × 150 m² area, TSO-GSA recorded a 24.03% increase in network lifetime on LND (1615 rounds compared to 1302 rounds by TSO-FC). However, as a trade-off, FND in TSO-GSA occurs earlier, at 444th round compared to 902nd round in TSO-FC. On the other hand, this protocol is able to maintain higher residual energy, achieving an improvement of 17.22% in the 800th round compared to TSO-FC. Moreover, the TSO-GSA algorithm shows good adaptability to changes in network complexity, with a 26.7% improvement in LND in a 200-node environment. In terms of communication performance, the protocol also increases the total amount of data received by the BS by 12.5% compared to TSO-FC. With these advantages, this study concludes that the TSO-GSA protocol can be an effective solution to optimize energy efficiency and extend network lifetime in WSNs. "

"The Australian Embassy in Jakarta stores a wide array of media release document. Analyzing particular and vital patterns of the documents collection is imperative as it may result new insights and knowledge of significant topic groups of the documents. K-Means algorithm was used as a non-hierarchical clustering method which partitioning data objects into clusters. The method works through minimizing data variation within clusters and maximizing data variation between clusters. Of the documents issued between 2006 and 2016, 839 documents were examined in order to determine term frequencies and generate clusters. Evaluation was conducted by nominating an expert to validate the cluster result. The result showed that there were 57 meaningful terms grouped into 3 clusters. “People to people links”, “economic cooperation”, and “human development” were chosen to represent topics of the Australian Embassy Jakarta media releases from 2006 to 2016. Text mining can be used to cluster topic groups of documents. It provides a more systematic clustering process as the text analysis is conducted through a number of stages with specifically set parameters."

"Tekanan darah tinggi pada retina Hypertensive Retinopathy merupakan penyakit yang timbul akibat tingginya tekanan darah yang mengalir pada pembuluh darah retina, mengakibatkan penebalan dinding pembuluh darah, sehingga debit aliran darah pada retina berkurang. Komplikasi yang timbul dari penyakit ini beragam dan membahayakan, mulai dari oklusi pembuluh darah retina, kerusakan saraf mata, bahkan kebutaan. Skripsi ini membahas tentang pendeteksian tekanan darah tinggi pada retina, sehingga dapat digunakan sebagai media untuk membantu diagnosis dan pencegahan penyakit tekanan darah tinggi pada retina Hypertensive Retinopathy . Pendeteksian dilakukan dengan menganalisa gambar retina Fundus Image pasien dengan metode Principal Component Analysis PCA dan Backpropagation Neural Network BNN , sehingga outputnya berupa klasifikasi citra ke salah satu dari dua golongan; yaitu retina normal dan retina dengan tekanan darah tinggi. Dari hasil perancangan diperoleh tingkat akurasi pengujian dan pengujian neural network hingga 85,5 dan 63,6 .

---

Hypertensive Retinopathy is a disease caused by high blood pressure flowing in the retinal blood vessels, resulting in thickening of blood vessel walls and reduced blood flow in the retina. Complications arising from these diseases are diverse and dangerous, ranging from retinal vein occlusion, nerve eye damage, even blindness. This paper discusses the detection of high blood pressure in the retina, so it can be used as a medium to help diagnosis and prevention of Hypertensive Retinopathy disease. Detection is done by analyzing the patient 39 s retinal image Fundus Image with Principal Component Analysis PCA method and Backpropagation Neural Network BNN , so that the output is image classification to one of two classes namely the normal retina and retina with high blood pressure. The result shows that this proposed model have leaning and testing accuracy up to 85,5 and 63,6 ."