Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dampak dari letak geografis Indonesia yang diapit dua samudera dan dikelilingi laut membuat Indonesia memiliki laju konveksi yang tinggi. Hal ini menyebabkan banyaknya awan konveksi dan kelimpahan hujan sepanjang tahun sehingga informasi mengenai hujan merupakan hal yang penting terutama untuk sektor pertanian. Kejadian hujan dipengaruhi oleh karakteristik awan, diantaranya ketinggian dan temperatur yang dapat diukur menggunakan instrumen radar dan satelit. Pada penelitian ini, dilakukan estimasi kejadian hujan dengan meninjau karakteristik ketinggian dan temperatur awan bulan Desember 2021 di Provinsi Lampung menggunakan tree-based ensemble learning. Hasil dari studi ini akan menunjukkan algoritma terbaik yang dapat mengklasifikasikan kejadian hujan berdasarkan ketinggian dan temperatur awan. Berdasarkan penelitian yang telah dilakukan, didapatkan hasil MCC pada Random Forest sebesar 0.125, Light Gradient Boosting Machine sebesar 0.229, Adaptive Boosting sebesar 0.135, dan Extreme Gradient Boosting sebesar 0.227. Hasil analisis menunjukkan bahwa algoritma terbaik untuk klasifikasi biner kejadian hujan berdasarkan data ketinggian dan temperatur awan adalah algoritma Light Gradient Boosting Machine.

---

The geographical location of Indonesia, situated between two oceans and surrounded by seas, leads to high convective activity. This results in abundant convective clouds and rainfall throughout the year, making rainfall information crucial, especially for the agricultural sector. Rainfall events are influenced by cloud characteristics, including height and temperature, which can be measured using radar and satellite instruments. In this study, rainfall events were estimated by examining the characteristics of cloud height and temperature in December 2021 in Lampung Province using tree-based ensemble learning. The results of this study will indicate the best algorithm for classifying rainfall events based on cloud height and temperature. Based on the research conducted, the MCC results were found to be 0.125 for Random Forest, 0.229 for Light Gradient Boosting Machine, 0.135 for Adaptive Boosting, and 0.227 for Extreme Gradient Boosting. The analysis results indicate that the best algorithm for binary classification of rainfall events based on cloud height and temperature data is the Light Gradient Boosting Machine algorithm."

"Berdasarkan statistik BNPB, Jawa Tengah menjadi Provinsi dengan bencana longsor terbanyak di Indonesia sepanjang tahun 2021–2023 sebanyak 1283 peristiwa, dengan 427 di antaranya terjadi di Kebumen. Pada Kampus Lapangan Geologi Karangsambung, Kab. Kebumen, Jawa Tengah sejumlah lahan telah ditimbun tanah untuk rencana pembangunan dengan longsoran rotasi yang pernah terjadi. Oleh karena itu, dilakukan identifikasi potensi longsor beserta geologinya di daerah Karangsambung pada area timbunan tanah baru. Penelitian ini melibatkan studi lapangan dengan metode geolistrik resistivitas dan data SPT untuk mengetahui kekuatan daya dukung tanah. Penelitian mencakup enam lintasan sepanjang 195–245 meter dengan spasi elektroda 5 meter dan konfigurasi Wenner-Schlumberger. Keluaran yang diperoleh berupa penampang resistivitas 2D yang dikorelasikan dengan data SPT, plan map 3D, serta model resistivitas 3D. Hasil penampang resistivitas 2D menunjukkan bahwa terdapat zona resistivitas tinggi 270–13.293 Ωm di daerah timur laut penelitian. Zona resistivitas tinggi ini merupakan rekahan batulempung selebar 5–13 meter di permukaan dengan ketebalan 10–15 meter yang di bawahnya merupakan intrusi batu andesit. Selain itu umumnya daerah penelitian terdiri atas lempung lanauan padat di permukaan dengan ketebalan 3–33 meter dan resistivitas 0,5–90 Ωm, serta lempung pasiran yang sangat padat di bawahnya dengan ketebalan lebih dari 15 meter dan resistivitas 0,01–30 Ωm. Berdasarkan hasil tersebut terdapat potensi longsor di timur laut daerah penelitian yang melewati lintasan LKR01, LKR02, dan LKR03, tepatnya pada zona resistivitas tinggi. Keberadaan potensi longsor ini diharapkan dapat menjadi acuan terkait pengawasan pembangunan di Kampus Lapangan Geologi Karangsambung.

---

Based on BNPB statistics, Central Java is the province with the most landslide disasters in Indonesia throughout 2021-2023 with 1283 events, 427 of which occurred in Kebumen. At the Karangsambung Geological Field Campus, Kebumen Regency, Central Java, a number of lands have been stockpiled for development plans with rotational landslides that have occurred. Therefore, an identification of landslide potential and its geology in Karangsambung area in the area of new landfill was conducted. This research involved field study using geo-electrical resistivity method and SPT data to determine the bearing capacity of the soil. The research included six passes along 195-245 meters with 5 meters electrode spacing and Wenner-Schlumberger configuration. The output is 2D resistivity cross section correlated with SPT data, 3D plan map, and 3D resistivity model. The 2D resistivity cross section results show that there is a high resistivity zone of 270-13,293 Ωm in the northeast area of the study. This high resistivity zone is a fractured claystone 5-13 meters wide at the surface with a thickness of 10-15 meters under which is an andesite intrusion. In addition, the study area generally consists of dense silt loam at the surface with a thickness of 3-33 meters and a resistivity of 0.5-90 Ωm, and very dense passive loam underneath with a thickness of more than 15 meters and a resistivity of 0.01-30 Ωm. Based on these results, there is a potential for landslides in the northeast of the research area that passes through the LKR01, LKR02, and LKR03 tracks, precisely in the high resistivity zone. The existence of this landslide potential is expected to be a reference related to development supervision in Karangsambung Geological Field Campus."

"Dalam kurun waktu beberapa tahun terakhir ini dunia sedang menghadapi bahaya dari pandemi serta peperangan atau konflik antar negara. Kasus seperti pandemi dan konflik atau perang antar negara merupakan kejadian atau kondisi ekstrim yang dapat terjadi kapan saja dan menimbulkan banyak korban jiwa. Oleh karena itu, diperlukan pemodelan yang dapat mengakomodir mortalitas akibat kejadian ekstrim tersebut. Model Lee-Carter merupakan sebuah model yang menggunakan data tingkat mortalitas dari kelompok usia yang diamati dari waktu ke waktu. Untuk mengakomodir tingkat mortalitas ekstrim, model Lee-Carter dimodifikasi menggunakan Extreme Value Theory (EVT) yang disebut dengan Model EVT modified Lee-Carter. Pendekatan EVT yang digunakan adalah pendekatan Peak Over Threshold (POT) dengan Generalized Pareto Distribution (GPD). Model ini diimplementasikan pada data tingkat mortalitas Indonesia tahun 1998 untuk peramalan tingkat mortalitas periode pandemi Covid-19 tahun 2021 dan 2022. Dalam pemodelan GPD, didapatkan nilai threshold sebesar 0,02. Untuk nilai yang berada di atas threshold, dimodelkan dengan GPD dan nilai yang berada dibawah threshold dimodelkan dengan distribusi normal dan empiris. Hasil yang didapatkan dari nilai Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE) adalah model Extreme Value Theory Modified Lee-Carter distribusi empiris memberikan nilai MAPE terkecil sebesar 12,156%. Sementara itu, model Extreme Value Theory Modified Lee-Carter distribusi normal memiliki nilai MAPE sebesar 13,175% dan model Lee-Carter biasa sebesar 13,343% dalam peramalan tingkat mortalitas Indonesia pada kelompok usia yang mengalami kejadian ekstrim.

---

In the last few years the world has been facing danger from pandemics and wars or conflicts between countries. Cases such as pandemics and conflicts or wars between countries are extreme events or conditions that can occur at any time and cause many casualties. Therefore, modeling is needed that can accommodate mortality due to extreme events. The Lee-Carter model is a model that uses mortality rate data from age groups observed over time. To accommodate extreme mortality rates, the Lee-Carter model was modified using Extreme Value Theory (EVT) which is called the modified Lee-Carter EVT Model. The EVT approach used is the Peak Over Threshold (POT) approach with Generalized Pareto Distribution (GPD). This model was implemented on Indonesian mortality rate data in 1998 to forecast mortality rates for the Covid -19 pandemic period in 20 21 and 2022. In GPD modeling, a threshold value of 0.02 is obtained . For values that are above the threshold, they are modeled with GPD and values that are below the threshold are modeled with a normal and empirical distribution. The results obtained from the Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE) values are that the Extreme Value Theory Modified Lee-Carter empirical distribution model gives the smallest MAPE value of 12.156%. Meanwhile, the Extreme Value Theory Modified Lee-Carter normal distribution model has a MAPE value of 13.175% and the regular Lee-Carter model is 13.343% in predicting Indonesia's mortality rate in age groups that experience extreme events."

"Dalam proyek konstruksi, informasi akurat mengenai kondisi bawah permukaan dibutuhkan untuk menghindari potensi kegagalan di masa depan. Penelitian ini dilakukan untuk memenuhi kebutuhan pencitraan kondisi bawah permukaan yang akurat di proyek konstruksi Karangsambung. Studi ini membandingkan efektivitas penerapan metode inversi Least square dan Robust pada tomografi resistivitas 3D terhadap gorong-gorong dan tanah timbunan menggunakan program RES3DINV. Metode inversi Least Square bertujuan untuk meminimalkan selisih kuadrat antara data observasi dan model, sedangkan metode inversi Robust dirancang untuk mengurangi pengaruh noise. Hasil penelitian menunjukkan bahwa kedua metode mampu mencitrakan objek gorong-gorong dan tanah timbunan, namun memiliki keunggulannya masing-masing. Model inversi Least Square memiliki hasil yang lebih representatif untuk pencitraan tanah timbunan dengan rentang resistivitas yang diperoleh sebesar 1-6 Ωm dengan tebal lapisan 1-2.6 m. Sementara, inversi Robust memiliki hasil yang lebih representatif untuk pencitraan gorong-gorong dengan rentang resistivitas yang diperoleh sebesar 50-1500 Ωm dengan volume sebesar 21.64 m³.

---

In construction projects, accurate information about subsurface conditions is essential to avoid potential future failures. This study was conducted to meet the need for precise subsurface imaging in the Karangsambung construction project. The study compares the effectiveness of the Least Square and Robust inversion methods in 3D resistivity tomography for culverts and embankments using the RES3DINV program. The Least Square inversion method aims to minimize the squared differences between observed data and the model, while the Robust inversion method is designed to reduce the influence of noise. The results indicate that both methods are capable of imaging culverts and embankments, each with its advantages. The Least Square inversion model provides more representative results for imaging embankments, with a resistivity range of 1-6 Ωm and a layer thickness of 1-2.6 meters. Conversely, the Robust inversion method yields more accurate results for imaging culverts, with a resistivity range of 50-1500 Ωm and a volume of 21.64 m³"

"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."

"Daerah Sipoholon merupakan daerah yang terletak pada zona Sesar Sumatera dimana sekitar wilayah ini ditemukan keberadaan manifestasi panas bumi berupa sumber air panas yang berada di sepanjang zona patahan dan Cekungan Tarutung. Penelitian ini dilakukan untuk mengidentifikasi litologi bawah permukaan wilayah Sipoholon melalui analisis karakter nilai kecepatan grup gelombang Rayleigh yang diperoleh menggunakan metode ambient noise tomography (ANT). Dalam penelitian ini menggunakan data waveform berkomponen vertikal yang berasal 15 jaringan sensor seismik milik BMKG-GFZ yang tersebar luas di sekitar bagian barat Danau Toba hingga Tapanuli Tengah selama rentang bulan Juni – September 2008. Proses pengolahan dilakukan melalui rangkaian single data preparation, korelasi silang & stacking, kurva dispersi, dan tomografi. Hasil tomografi menunjukan variasi zona anomali kecepatan grup gelombang Rayleigh dengan rentang nilai 1.20 km/s - 2.50 km/s. Berdasarkan hasil checkerboard test wilayah bawah permukaan yang mampu dipercaya untuk diinterpretasikan sampai dengan periode 13 detik. Keberadaan kaldera tersembunyi mampu teridentifikasi pada zona anomali kecepatan grup rendah yang berkaitan dengan deformasi dari batuan beku vulkanik yang mengalami pelapukan. Sementara itu, zona anomali kecepatan grup tinggi berasosiasi dengan keberadaan litologi tuffa Toba yang diikuti keberadaan batuan granit sebagai batuan intrusi pada lapisan bawah.

---

The Sipoholon area is an area located in the Sumatra Fault zone where around this area there are geothermal manifestations in the form of hot springs located along the fault zone and Tarutung Basin. This study was conducted to identify the subsurface lithology of the Sipoholon area through the Rayleigh wave group velocity value obtained using the ambient noise tomography (ANT) method. In this study, we used vertical waveform data from a network of 15 seismic sensors owned by BMKG-GFZ that were widely distributed around the western part of Lake Toba to Central Tapanuli during June - September 2008. Processing stages are carried out from the single data preparation stage, cross-correlation & stacking, dispersion curves, and tomography. The tomography results show variations in the Rayleigh wave group velocity anomaly zone with a value range of 1.20 km/s - 2.50 km/s. Based on the results of the checkerboard test, subsurface areas that can be reliably interpreted up to a period of 13 seconds. The existence of a hidden caldera can be identified in the low group velocity anomaly zone related to the deformation of volcanic igneous rocks undergoing weathering. Meanwhile, the high group velocity anomaly zone is associated with the presence of Toba tuff lithology followed by the presence of granite rocks as intrusive rocks in the lower layers."

"Bayi prematur adalah bayi yang lahir dengan usia kehamilan kurang dari 37 minggu yang memiliki sistem saraf dan organ-organ yang belum sempurna sehingga lebih beresiko mengalami berbagai masalah kesehatan. Salah satu masalah kesehatan yang dapat terjadi adalah pada organ mata yang merupakan organ penting dalam perkembangan bayi. Retinopathy of Prematurity (ROP) merupakan salah satu penyakit mata yang terjadi pada bayi prematur yang disebabkan oleh pembentukan pembuluh darah retina yang tidak normal. Proses diagnosis yang dilakukan oleh dokter mata belum bisa mengatasi kenaikan jumlah kasus ROP, sehingga disini penulis menggunakan pendekatan deep learning untuk melakukan klasifikasi tingkat keparahan ROP pada citra fundus retina. Metode deep learning yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur ResNet50. Data yang digunakan pada penelitian ini merupakan data sekunder yang diperoleh dari online database Kaggle berupa 90 data citra fundus retina yang terbagi atas 38 citra bukan penderita ROP, 19 citra penderita ROP Stage 1, 22 citra penderita ROP Stage 2, dan 11 citra penderita ROP Stage 3. Pada tahap persiapan data, dilakukan perbaikan kontras citra menggunakan Contrast Limited Adaptive Histogram (CLAHE) dan image masking. Kemudian dilakukan resize citra menjadi ukuran 224×224. Data kemudian diaugmentasi menggunakan teknik flip horizontal dan rotation agar data menjadi lebih banyak yang kemudian dibagi menjadi 80% data training dan 20% data testing. Dari 80% data training, diambil 20% untuk data validation. Training model dilakukan menggunakan model dengan arsitektur ResNet50 dengan hyerparameter model yaitu batch size 64, learning rate 0.001, dan epoch sebanyak 30, fungsi optimasi Adam (Adaptive moment estimation), dan fungsi loss categorical cross entropy. Proses modelling dilakukan sebanyak 5 kali percobaan dan berhasil memperoleh nilai rata-rata kinerja training model sebesar 99.714% dan 92.85% pada akurasi training dan akurasi validation-nya, selain itu diperoleh nilai 0.01864 dan 0.18434 pada loss training dan loss validation. Sedangkan rata-rata kinerja testing model berhasil memperoleh akurasi testing sebesar 97.352%, testing loss sebesar 0.0986374, dan AUROC sebesar 0.0955. Selain melakukan evaluasi kinerja, peneliti juga akan menggunakan GradCAM untuk menampilkan visualisasi ciri-ciri yang dianggap penting untuk nantinya membantu dokter dalam mengevaluasi ROP.

---

Premature infants are babies born with a gestational age of less than 37 weeks, and they have underdeveloped nervous systems and organs, making them more susceptible to various health issues. One of the health problems that can occur involves the eye, which plays a crucial role in the baby's development. Retinopathy of Prematurity (ROP) is one of the eye diseases that affects premature infants and is caused by abnormal blood vessel formation in the retina. The current diagnostic processes performed by ophthalmologists have not been effective in addressing the increase in ROP cases. Therefore, in this study, the author employs a deep learning approach to classify the severity of ROP in retinal fundus images. The deep learning method utilized is the Convolutional Neural Network (CNN) with the ResNet50 architecture. The research data consists of 90 retinal fundus images obtained from the online database Kaggle, comprising 38 images of non-ROP cases, 19 images of ROP Stage 1, 22 images of ROP Stage 2, and 11 images of ROP Stage 3. In the data preparation phase, the image contrast is enhanced using Contrast Limited Adaptive Histogram (CLAHE) and image masking techniques. Subsequently, the images are resized to 224×224 dimensions. Data augmentation is performed using horizontal flip and rotation techniques to increase the dataset, which is then split into 80% training data and 20% testing data. From the 80% training data, 20% is further allocated for validation data. The model is trained using the ResNet50 architecture with hyperparameters set to batch size 64, learning rate 0.001, and 30 epochs. The optimization function used is Adam (Adaptive Moment Estimation), and the loss function is categorical cross-entropy. The modeling process is repeated five times, and the average performance of the training model is achieved at 99.714% for training accuracy and 92.85% for validation accuracy, with training and validation losses of 0.01864 and 0.18434, respectively. As for the average performance of the testing model, the testing accuracy is 97.352%, the testing loss is 0.0986374, and the AUROC (Area Under the Receiver Operating Characteristic) is 0.0955. In addition to evaluating the model's performance, the researcher also employs GradCAM to visualize important features, which can assist doctors in evaluating ROP cases."