Hasil Pencarian  ::  Simpan CSV :: Kembali

"Diabetes merupakan salah satu penyebab kematian terbesar di dunia. Salah satu obat untuk menangani diabetes adalah penghambat DPP-4. Obat penghambat DPP-4 berpotensi menjadi obat diabetes aksi panjang, menyelesaikan masalah tatalaksana diabetes terkait ketidakpatuhan pasien dalam mengonsumsi obat. Namun, belum ada obat penghambat DPP-4 aksi panjang dengan hasil memuaskan. Obat penghambat DPP-4 juga masih memiliki masalah berupa efek samping pankreatitis dan nyeri sendi. Oleh karena itu, penelitian ini bertujuan menemukan kandidat penghambat DPP-4. Penapisan virtual dilakukan dengan model HKSA pembelajaran mesin yang dilatih dengan data aktivitas DPP-4 menggunakan pustaka PyCaret. Hasilnya didapatkan tiga model yaitu model klasifikasi biner dan multiclass untuk menentukan aktivitas molekul dan model regresi untuk memprediksi tingkat aktivitas. Model dievaluasi dengan membandingkan kualitas model dan hasil dengan penelitian Hermansyah et al. Hasil penelitian menunjukkan bahwa model klasifikasi biner yang dibuat memiliki kualitas yang lebih baik, sementara model regresi sedikit lebih rendah. Perbedaan ini disebabkan oleh variasi data dan pendekatan penggunaan model. Kesepuluh senyawa yang diidentifikasi berbeda dengan hasil Hermansyah. Nilai pIC50 tertinggi dari penelitian ini adalah 8,44, sedangkan Hermansyah mencapai 9,21. Namun, validitas model dapat dipertanggungjawabkan dengan hasil analisis SHAP yang menunjukkan peran substruktur farmakofor obat dalam keputusan model.

---

Diabetes is one of the biggest causes of death in the world. DPP-4 inhibitor is a drug to treat diabetes. DPP-4 inhibitors can potentially be long-acting diabetes drugs, solving diabetes management problems related to patient non-compliance with taking medication. However, there are no long-acting DPP-4 inhibitors with satisfactory results. DPP-4 inhibitors also still have problems in the form of side effects of pancreatitis and joint pain. Therefore, this study aims to find candidate DPP-4 inhibitors. Virtual screening was performed with machine learning QSAR model trained with DPP-4 activity data using PyCaret library. Three models were obtained: binary and multiclass classification models to determine molecular activity and regression models to predict activity levels. The model was evaluated by comparing the quality and results with Hermansyah et al’s research. The results showed that binary classification model had better quality, while regression model was slightly lower. This difference is caused by variations in data and approaches to using the model. Ten compounds identified were different from Hermansyah's results. The highest pIC50 value from this study was 8.44, while Hermansyah reached 9.21. However, validity of the model is justified by SHAP analysis results which shows the role of drug pharmacophore substructure in model decisions."

"ABSTRAKInhibitor Dipeptidyl Peptidase-4 (DPP-4) menjadi obat yang semakin penting dalam pengobatan diabetes melitus tipe-2, namun beberapa golongan obat ini memiliki efek samping seperti nyeri sendi yang bisa menjadi parah hingga pankreatitis, diperkirakan efek samping ini muncul terkait dengan penghambatannya terhadap enzim DPP-8 dan DPP-9. Untuk mengembangankan inhibitor DPP-4 baru yang memiliki aktivitas penghambatan yang tinggi terhadap DPP-4 dan penghambatan yang rendah terhadap DPP-8 dan DPP-9 maka dilakukan virtual screening pada lebih dari 10 juta molekul, dengan membangun workflow virtual screening menggunakan metode Quantitative Structure-Activity Relationship (QSAR) berbasis artificial intelligence (AI). Lima algoritma machine learning regresi dan empat algoritma machine learning klasifikasi digunakan untuk membangun workflow virtual screening. Algoritma yang memenuhi syarat untuk model QSAR regresi adalah Support Vector regression dengan R2pred 0,78 sedangkan model QSAR klasifikasi adalah Random Forest dengan akurasi 92,21%. Dari hasil virtual screening didapatkan senyawa hit dengan pIC50 diatas 7,5 sebanyak 2.716 senyawa. Hasil penambatan molekul beberapa senyawa hit ke enzim DPP-4, DPP-8 dan DPP-9, didapatkan senyawa hit potensial adalah senyawa CH0002. Senyawa hit ini dapat dikembangkan lebih lanjut sebagai inhibitor DPP-4 dan workflow virtual screening pada penelitian ini dapat diterapkan pada target lainnya.

---

ABSTRACTDipeptidyl peptidase-4 (DPP-4) inhibitors are becoming an important drugs in the treatment of type 2 diabetes mellitus, but some classes of these drugs have side effects such as joint pain that can become severe to pancreatitis, these side effects appear to related with their inhibition against other DPP enzymes. This study aims to find DPP-4 inhibitor hit compounds that are selective against DPP-8 and DPP-9 enzymes. virtual screening is carried out on more than 10 million molecules, by building a virtual screening workflow using Quantitative Structure-Activity Relationship (QSAR) method based on Artificial Intelligence (AI). Five regression algortihms and four classification algorithms machine learning were used to build virtual screening workflows. The algorithm that qualifies for the QSAR regression model was Support Vector regression with R2pred 0,78 while the classification QSAR model was Random Forest with an accuracy of 92,21%. Results of virtual screening obtained hit compounds with pIC50 above 7,5 were 2.716 compounds. Results of molecular docking from several hit compounds to the enzymes DPP-4, DPP-8 and DPP-9, potential hit compound was CH0002. This hit compound can be further developed as a DPP-4 inhibitor and virtual screening workflow in this study can be applied to other targets."

"Rotating machinery dalam industri minyak dan gas merupakan aset kritis yang beroperasi dalam medan kerja yang berat, sehingga beberapa bagian umum rentan mengalami fault. Fault merupakan anomali yang menunjukkan penyimpangan dari kondisi operasi normal pada suatu sistem, sehingga perlu dideteksi lebih dini, secara akurat, dan terotomasi. Salah satu metode yang dapat digunakan adalah dengan machine learning. Data yang digunakan dalam penelitian ini adalah sensor condition monitoring aset rotating machinery yang diperoleh dari sebuah perusahaan minyak dan gas di Indonesia. Data sensor yang diperoleh mencakup 3 operation parameters yakni kecepatan, suhu, dan vibrasi. Algoritme klasifikasi pada penelitian ini menggunakan supervised learning yakni Support Vector Machine (SVM), Random Forest (RF), dan K-Nearest Neighbors (KNN). Kinerja model machine learning dievaluasi menggunakan metrik accuracy, precision, F1 score, dan matthews correlation coefficient (MCC). Hasil model klasifikasi random forest menunjukkan hasil yang sangat baik dengan akurasi 98,5%, presisi 98,6%, f1-score 98,5%, dan MCC sebesar 97,2%. Analisis SHAP Explainer secara global mampu menjelaskan feature importance dan secara lokal yang memperlihatkan kontribusi variabel-variabel operating parameter yang berkontribusi paling besar pada kelas normal, alert, dan fault.

---

Rotating machinery in the oil and gas industry is a critical asset that operates in a tough work environment, where some of the common parts are prone to faults. Fault is an anomaly that indicates a deviation from the normal operating conditions of a system, so it needs to be detected early, accurately, and automated. The data used in this study is obtained from a condition monitoring sensor of rotating machinery in an oil and gas company in Indonesia. The acquired sensor data includes 3 operating parameters: speed, temperature, and vibration. The classification algorithms used in this research are supervised learning methods, namely Support Vector Machine (SVM), Random Forest (RF), and K-Nearest Neighbors (KNN). The performance of the machine learning models is evaluated using metrics such as accuracy, precision, F1 score, and Matthews correlation coefficient (MCC). The results of the random forest classification model show very good results with an accuracy of 98.5%, a precision of 98.6%, an f1-score of 98.5%, and an MCC of 97.2%. SHAP Explainer in global explanation is able to explain the feature importance and also locally which shows the contribution of operating parameter variables that contribute the most to the normal, alert, and fault classes."

"Paduan super merupakan jenis paduan yang dapat mempertahankan kekuatan mekanis dan kestabilan permukaannya pada temperatur yang sangat tinggi sehingga cocok diaplikasikan pada bidang kedirgantaraan, khususnya turbin gas. Jenis paduan super yang paling banyak digunakan adalah paduan super berbasis nikel karena memiliki struktur kristal FCC yang stabil di segala temperatur. Agar dapat digunakan dalam jangka waktu yang lama, kegagalan pada paduan super berbasis nikel dapat dicegah dengan mengetahui kekuatan tarik dari paduannya. Selain itu untuk mencegah terjadinya keausan pada komponen mesin, kekerasan pada paduan super berbasis nikel juga harus diketahui. Adapun titik leleh dari paduan super berbasis nikel juga harus dapat diketahui untuk mencegah terjadinya pelunakan paduan super pada temperatur yang sangat tinggi. Biaya produksi paduan super berbasis nikel tergolong mahal, karena dibuat berdasarkan pendekatan trial and error yang memakan waktu. Pada penelitian ini, dilakukan pembuatan sebuah program yang dapat memprediksi sifat mekanis paduan super berbasis nikel menggunakan pembelajaran mesin dengan metode deep learning. Melalui pembelajaran mesin, biaya produksi paduan super berbasis nikel dapat ditekan serta mempersingkat siklus perkembangan material. Penelitian ini menghasilkan suatu program deep learning dengan jenis model regresi yang dapat memprediksi kekuatan tarik, kekerasan, dan titik leleh paduan super berbasis nikel dengan keakurasian model menurut metrik R2 sebesar 98,77% berdasarkan variasi hyperparameter yang ditetapkan sebanyak tiga hidden layer dengan dense 256, 128, 64, test size sebesar 25%, random state dengan nilai 75, batch size sebesar 32, epoch sebanyak 300, dan learning rate sebesar 0,001.

---

A superalloy is a type of alloy that can maintain its mechanical strength and surface stability at very high temperatures so that it is suitable for application in the aerospace field, especially in gas turbines. The most widely used type of superalloy is Ni-based superalloy because it has a stable FCC crystal structure at all temperatures. The failure of Ni-based superalloys can be prevented by knowing the tensile strength of the alloy for a longer-term used. In addition, to prevent wear on the engine components, the hardness of Ni-based superalloys must also be known. The melting point of Ni-based superalloys must also be known to prevent softening of the superalloy at very high temperatures. The production cost of Ni-based superalloys is quite expensive because they are made based on a time-consuming trial and error approach. In this research, a program is developed that can predict the mechanical properties of Ni-based superalloys using machine learning with deep learning methods. Through machine learning, the production cost of Ni-based superalloys can be reduced, and the material development cycle can be shortened. The result of this research is a deep learning program with a regression model which can predict the tensile strength, hardness, and melting point of Ni-based superalloys with a model accuracy of 98.77% according to the R2 metric based on the hyperparameter variations set as three hidden layers wi"

"Inclining test merupakan proses untuk mengetahui titik berat kapal dengan memindahkan beban uji di atas kapal. Tujuan dari Inclining test pada kapal adalah untuk menentukan tinggi titik berat kapal dan metasentra kapal, yang menjadi dasar perhitungan stabilitas kapal dalam berbagai kondisi pemuatan (load case). Percobaan inclining test umumnya dilakukan dengan dua metode, yaitu langsung di kapal setelah pembangunan selesai dan melalui simulasi komputasi. Namun, metode ini seringkali memerlukan persiapan yang cukup lama. Dengan berkembangnya otomasi dan teknologi, penelitian ini bertujuan untuk mengoptimalkan pengukuran Inclining test dengan lebih cepat dan akurat tanpa menunggu kapal selesai dibangun. Pendekatan yang diambil dalam penelitian ini adalah dengan membuat model Inclining test kapal menggunakan metode Machine Learning. Machine Learning digunakan untuk mempelajari data yang dimasukkan ke dalam sistem, dan memungkinkan mesin menghasilkan output dari percobaan inclining test seperti jika dilakukan langsung di kapal. Penelitian dilakukann dengan menggunakan Google Spreadsheet untuk menyimpan data- data inclining test yang pernah dilakukan, Github sebagai tempat yang digunakan untuk menyiimpan kode pemograman mesin, dan Streamlit sebagai interface untuk data baru yang akan dimasukan, menjalankan kode mesin yang ada di Github dan memperlihatkan hasil prediksi yang dilakukan oleh mesin. Kemudian akan dilakukan pengujian tools dengan 2 tahap dimana mesin akan memprediksi data yang sudah pernah dipelajari dan data baru. Dari penelitian didapatkan bahwa mesin pada saat ini mampu memprediksi data yang pernah dipelajari dengan error MSE sebesar 0.521 namun masih kesulitan memprediksi data baru dengan error mse sebesar 16,88. Mesin menyimpulkan bahwa momen beban merupakan faktor terbesar dalam mempengaruhi kemiringan pada pegujian inclining test kapal.

---

The Inclining test is a process to determine the center of gravity of a ship by shifting a test load onto the ship. The purpose of the Inclining test on a ship is to establish the height of the ship's center of gravity and metacenter, which serves as the basis for calculating the ship's stability under various loading conditions (load cases). Inclining test experiments are generally conducted using two methods: directly on the ship after construction is completed and through computational simulations. However, these methods often require considerable preparation time. With the advancement of automation and technology, this research aims to optimize Inclining test measurements more quickly and accurately without waiting for the ship's construction to finish. The approach taken in this study involves creating a model of the ship's Inclining test using the Machine Learning method. Machine Learning is utilized to learn from the data entered into the system, allowing the machine to generate output from Inclining test experiments as if conducted directly on the ship. The research is conducted using Google Spreadsheet to store previously conducted Inclining test data, Github as a repository for machine programming code, and Streamlit as an interface for new data entry. It runs the machine code stored in Github and displays the prediction results. The testing of tools is performed in two stages, where the machine predicts data that has been previously learned and new data. From the research, it is found that the machine is currently able to predict previously learned data with an MSE error of 0.521 but faces difficulties in predicting new data with an MSE error of 16,88. Also machine concluded that Weight momen is the biggest factor during ship inclining test."

"Stroke merupakan penyebab utama kematian dan kecacatan di Indonesia. Mengingat sempitnya jendela waktu pengobatan stroke iskemik hiperakut dan potensi komplikasi yang terkait dengan intervensi trombolisis, prognostikasi yang akurat esensial dalam memastikan terapi yang cepat dan tepat. Penelitian ini memanfaatkan pembelajaran mesin, khususnya Random Forest (RF), bertujuan untuk mengembangkan model yang mampu memprediksi hasil klinis (Δ NIHSS) pasien stroke iskemik hiperakut setelah trombolisis, berdasarkan CT scan otak, data klinis, dan nilai laboratorium. Klasifikasi Δ NIHSS menggunakan tiga skenario berbeda —CT, CT + Data klinis, dan CT + Data klinis + Data lab— dan dikategorikan menjadi 2 dan 3 kelas yang akan digunakan dalam pemantauan model prediksi mana yang memberikan performa paling optimal. Pengumpulan data studi kohort ini diperoleh saat kedatangan awal pasien, terdiri dari data klinis, laboratorium, dan data CT otak non-kontras dari rekam medis dan Picture Archiving Communication System (PACS) Rumah Sakit Cipto Mangunkusumo Jakarta dengan periode 10 tahun sejak November 2014 hingga Februari 2023 dan total 145 pasien. Arsitektur dari Bacchi et al.1 yakni convolutional neural network (CNN) dan model pembelajaran mesin konvensional lainnya juga dianalisis sebagai pendekatan alternatif. Hasil penelitian menunjukkan bahwa algoritma RF (2 kelas) menggunakan data validasi dan skenario CT + Data klinis + Data lab menampilkan akurasi tertinggi (75%) dan unggul dalam sensitivitas dan spesifisitas (0,61 dan 0,59). Performa metrik juga menunjukkan tren peningkatan dari setiap skenario. Model ini diharapkan dapat meningkatkan efisiensi penatalaksanaan stroke iskemik hiperakut dengan memberikan informasi tambahan kepada klinisi dalam pengambilan keputusan terkait intervensi trombolisis.

---

Stroke is the leading cause of both mortality and disability in Indonesia. Given the narrow time frame for treating acute ischemic stroke and the potential complications associated with thrombolysis intervention, accurate prognostication is essential to ensure a prompt and appropriate treatment. The National Institutes of Health Stroke Scale (NIHSS) can be utilized to identify individuals who may benefit from reperfusion therapy. The data for this cohort study acquired during the initial presentation, comprising clinical, laboratory, and non-contrast brain CT data from the medical records and Picture Archiving Communication System (PACS) of Cipto Mangunkusumo Hospital Jakarta. The study included 145 patients who experienced acute ischemic stroke and received thrombolysis treatment from November 2014 to February 2023. Currently, there is no clinical outcome prediction model for hyperacute ischemic stroke using data from Indonesia. By utilizing machine learning, specifically Random Forest, the author aims to develop a model capable of predicting the clinical outcome (Δ NIHSS) of hyperacute ischemic stroke patients following thrombolysis, based on brain CT scans, clinical data, and laboratory values. The classification of Δ NIHSS used three distinctive scenarios —CT, CT + Clinic, and CT + Clinic + Lab— and is categorized by 2 and 3 classes will be used in monitoring which prediction model gives optimal performance. Architecture derived from the research conducted by Bacchi et al.1 employed a convolutional neural network (CNN) and other conventional machine learning models were also analyzed as alternative approach. Result revealed that RF algorithm (2 classes) using data validation and CT + Clinic + Lab scenario displays the highest accuracy (75%) and excels in sensitivity and specificity (0,61 and 0,59). The performance metrics show continuous improvement, indicating that this model can enhance hyperacute ischemic stroke management by providing clinicians with additional decision-making support for thrombolysis intervention."

"Sistem rekomendasi dan pemelajaran mesin berbasis graf adalah bidang ilmu yang sedang berkembang dan populer. Sistem rekomendasi telah banyak digunakan sebagai alat yang dapat memberikan rekomendasi produk kepada pengguna. Sistem rekomendasi dapat digunakan untuk melakukan prediksi produk perbankan yang akan disarankan kepada pengguna, sehingga memudahkan pengguna untuk memilih produk perbankan yang tepat dan sudah dipersonalisasi. Perkembangan pemelajaran mesin berbasis graf dapat diimplementasikan dalam segala hal yang dapat direpresentasikan dalam bentuk graf. Rekomendasi produk perbankan dapat diterapkan dalam bentuk graf yaitu dengan menghubungkan nasabah yang pernah membeli produk ataupun nasabah yang memiliki profil yang mirip. Dari graf yang telah dibentuk, akan dilakukan prediksi sehingga nasabah baru dapat diklasifikasikan sebagai direkomendasikan dengan menghubungkan nasabah tersebut kedalam graf. Dalam penelitian ini, diterapkan tiga model rekomendasi berbasis graf dan tiga model rekomendasi berbasis pohon. Model berbasis graf yang digunakan adalah GraphSAGE, GAT dan GCN. Model berbasis pohon yang digunakan adalah Random Forest, LightGBM dan XGBoost. Dari keenam model yang dibuat, dilakukan perbandingan terhadap performa dan waktu inferensi. Hasil eksperimen menunjukkan bahwa model rekomendasi berbasis graf menghasilkan nilai AUC tertinggi 0,974 sedangkan untuk model rekomendasi berbasis pohon mendapatkan nilai AUC tertinggi 0,863 yang menunjukan bahwa model berbasis graf memiliki performa yang lebih baik dibandingkan model berbasis pohon. Pada penelitian ini juga didapatkan bahwa waktu inferensi dari model berbasis pohon lebih cepat 900 kali lipat dibandingkan waktu inferensi model berbasis graf.

---

Recommendation systems and graph-based machine learning are growing and popular fields nowadays. Recommendation system has been widely used as a tool that can provide product recommendations to users. Recommendation system can be used to predict banking products that will be suggested to users, making it easier for users to choose the right and personalized banking products. The development of graph-based machine learning can be implemented in everything that can be represented in the form of a graph. Recommendations for banking products can be applied in the form of graphs with connecting customers who have purchased the product or customers who have a similar profile to customers who have purchased the product. From the graph that has been formed, predictions will be made so that new customers can be classified as recommended by connecting these customers to the graph. In this study, three graph-based recommendation models and three tree-based recommendation models were applied. The graph-based models used are GraphSAGE, GAT and GCN. The tree-based models used are Random Forest, LightGBM and XGBoost. Comparison was made on the performance and inference time from the six models that have been made. The experiment results show that the graph-based recommendation model get highest AUC score 0.974 and tree-based recommendation model get highest AUC score 0.863 which indicates that graph-based recommendation model get better performace than tree-based recommendation model. It also fount that time inference of the tree-based model is 900 times faster than the inference time of the graph-based model."

"Pengguna media sosial di Indonesia merupakan salah satu yang terbanyak di dunia. Hal ini mendorong pemilik produk atau layanan menggunakan media sosial sebagai saluran utama untuk penjualan dan layanan pelanggan. Masyarakat Indonesia cenderung mencari ulasan online sebelum memutuskan pembelian, sehingga ulasan pengguna sangat mempengaruhi keputusan pembelian dan keberhasilan bisnis. Oleh karena itu, pemilik produk dan layanan harus cepat tanggap terhadap sentimen ulasan pengguna untuk mempertahankan reputasi dan menghindari penurunan penjualan. Analisis sentimen adalah salah satu cara untuk mengetahui sentimen terhadap produk atau layanan. Terdapat pendekatan machine learning dan deep learning dalam analisis sentimen. Penggunaan machine learning pada analisis sentimen ulasan pengguna berbahasa Indonesia telah banyak dilakukan, namun eksplorasi dalam bidang deep learning masih jarang ditemukan. Penelitian ini menggunakan model CNN-BiLSTM dan BiLSTM-CNN yang dibandingkan dengan logistic regression, support vector machine, dan naïve bayes. Pada skenario pertama, analisis ulasan pengguna di Traveloka menunjukkan model BiLSTM-CNN dengan Precision tertinggi 85% dan AUC 82.14%, serta model Support Vector Machine (SVM) dengan Accuracy 83.25% dan F1-Score 86.53%. Pada skenario kedua, analisis ulasan pengguna provider telekomunikasi menunjukkan SVM sebagai yang terbaik dengan Accuracy 78.15%, Precision 68.78%, F1-Score 76.33%, dan AUC 77.36%. Dari hasil ini, model machine learning lebih unggul dibandingkan deep learning.

---

Social media users in Indonesia are among the largest in the world. This drives product or service owners to use social media as the main channel for sales and customer service. Indonesian consumers tend to look for online reviews before making a purchase decision, so user reviews greatly influence purchasing decisions and business success. Therefore, product and service owners must quickly respond to user review sentiments to maintain reputation and avoid sales decline. Sentiment analysis is one way to understand the sentiment towards a product or service. There are machine learning and deep learning approaches in sentiment analysis. The use of machine learning in sentiment analysis of user reviews in Indonesian has been widely conducted, but exploration in the field of deep learning is still rarely found. This study uses CNN-BiLSTM and BiLSTM-CNN models compared to logistic regression, support vector machine, and naïve bayes. In the first scenario, analysis of user reviews on Traveloka shows the BiLSTM-CNN model with the highest Precision of 85% and AUC of 82.14%, and the Support Vector Machine (SVM) model with an Accuracy of 83.25% and F1-Score of 86.53%. In the second scenario, analysis of user reviews of telecommunications providers shows SVM as the best with an Accuracy of 78.15%, Precision of 68.78%, F1-Score of 76.33%, and AUC of 77.36%. From these results, machine learning models outperform deep learning models."

"Mekanisme inhibisi korosi dari inhibitor berbahan dasar imidazoline pada baja API 5L Grade B di lingkungan NaCl 3,5% diinvestigasi dengan menggunakan metode model adsorpsi yang didapat dari hasil pengujian Tafel Polarisasi, Linier Polarisasi dan Electrochemical Impedance Spectroscopy (EIS) dengan menggunakan variasi konsentrasi 0 ppm, 50 ppm, 100 ppm, 150 ppm, 200 ppm dan 250 ppm. Senyawa imidazoline yang teradsorpsi pada permukaan logam diinvestigasi dengan menggunakan pengujian Fourier Transform InfraRed (FTIR). Hasilnya didapatkan bahwa proses adsorpsi inhibitor imidazoline terjadi secara spontan mengikuti mode adsorpsi Langmuir isoterm. Berdasarkan nilai Goads antara -16,2 kJ/mol sampai -17,5 kJ/mol menunjukkan bahwa inhibitor imidazoline menginhibisi korosi dengan cara adsorpsi fisika (interaksi elektrostatis antara muatan negatif molekul inhibitor dengan muatan positif permukaan logam) membentuk lapisan tunggal di permukaan logam sehingga dapat menghambat proses korosi. Besarnya efisiensi inhibisi inhibitor berbahan dasar imidazoline bergantung pada konsentrasi inhibitor. Efisiensi inhibisi tertinggi diperoleh pada konsentrasi imidazoline 250 ppm sebesar 72,69% berdasarkan hasil pengujian Linier polarisasi.

---

Corrosion inhibition mechanism of imidazoline-based corrosion inhibitor on API 5L Grade B steel in 3.5% NaCl environment was investigated by using adsorption method from the results of tafel polarization, linier polarization resistance (LPR), and Electrochemical Impedance Spectroscopy (EIS) tests with 0 ppm, 50 ppm, 100 ppm, 150 ppm, 200 ppm and 150 ppm concentration variation. Imidazoline compounds which adsorbed on metal surface was also investigated by Fourier Transform InfraRed (FTIR) test. It was found that adsorption process of imidazoline-based inhibitor occurs spontaneously and follow the Langmuir adsorption isotherm. From the calculation of Goads (around -16,2 kJ/mol to -17,5 kJ/mol), it indicates that the inhibitor inhibited corrosion by physisorption (involving electrostatic attraction between the negative charged of inhibitor molecules and the positive charged of metal surface) to form a monolayer on the metal surface so that corrosion will be obstructed. Inhibition efficiency of imidazoline-based inhibitor was concentration dependent. The optimum inhibition efficiency is 72,69% in 250 ppm concentration of imidazoline as a result of LPR test."

"Teknologi lokalisasi dalam ruangan berkembang pesat karena keterbatasan GPS di lingkungan tertutup. WiFi fingerprinting menjadi solusi menjanjikan karena ketersediaannya yang luas dan biaya rendah. Penelitian ini bertujuan menentukan posisi access point ilegal di dalam ruangan menggunakan infrastruktur WiFi Aruba dan klasifikasi berbasis machine learning. Pendekatan ini melibatkan dua fase utama. Pertama, fase konstruksi fingerprint database di mana data kekuatan sinyal WiFi dikumpulkan dari berbagai lokasi di dalam ruangan dan disimpan dalam database. Kedua, fase klasifikasi berbasis machine learning yang menggunakan algoritma seperti K-Nearest Neighbor (KNN), Random Forest (RF), Extreme Gradient Boosting (XGBoost), dan Artificial Neural Network (ANN) untuk mengklasifikasikan lokasi access point ilegal berdasarkan fingerprint received strength signal (RSS). Model dievaluasi menggunakan metric accuracy dan f1-score. Hasil eksperimen menunjukkan bahwa untuk dataset NTUST, model yang paling sesuai adalah model dengan algoritma XGBoost dengan label jenis satu, tanpa augmentasi, dan dengan hyperparameter tuning yang memiliki skor accuracy sebesar 0.793 dan skor weighted average f1-score sebesar 0.792. Untuk dataset UI, model yang paling sesuai adalah model dengan algoritma XGBoost dengan label jenis satu, dengan augmentasi, dan tanpa hyperparameter tuning yang memiliki skor accuracy sebesar 0.591 dan skor weighted average f1-score sebesar 0.582.

---

Indoor localization technology is rapidly developing due to the limitations of GPS in enclosed environments. WiFi fingerprinting has become a promising solution due to its wide availability and low cost. This study aims to determine the position of illegal access points indoors using Aruba WiFi infrastructure and machine learning-based classification. This approach involves two main phases. First, the fingerprint database construction phase, where WiFi signal strength data is collected from various locations indoors and stored in a database. Second, the machine learning-based classification phase, which uses algorithms such as K-Nearest Neighbor (KNN), Random Forest (RF), Extreme Gradient Boosting (XGBoost), and Artificial Neural Network (ANN) to classify the location of illegal access points based on received strength signal (RSS) fingerprints. The model is evaluated using accuracy and f1-score metrics. Experimental results show that for the NTUST dataset, the most suitable model is the one using the XGBoost algorithm with label type one, without augmentation, and with hyperparameter tuning, achieving an accuracy score of 0.793 and a weighted average f1-score of 0.792. For the UI dataset, the most suitable model is the one using the XGBoost algorithm with label type one, with augmentation, and without hyperparameter tuning, achieving an accuracy score of 0.591 and a weighted average f1-score of 0.582."