Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKLatar belakang penelitian ini ialah karena banyaknya miskonsepsi yang beredar mengenai interseks atau yang dahulu disebut hermafrodit. Di Indonesia?maupun di negara lainnya, interseks belum mendapat tempat di masyarakat. Mereka harus menyesuaikan atau disesuaikan kondisinya terlebih dahulu agar dapat memenuhi dan diterima oleh standar normatif masyarakat. Untuk itu, banyak diantara interseks yang mengalami IGM (Intersex Genital Mutilation) sejak lahir untuk menentukan identitasnya dalam sistem oposisi biner. Penentuan identitas ini mungkin sekali menjadi masalah kegamangan di masa depan bayi interseks. Untuk itu, penelitian yang menggunakan metodologi kualitatif dengan metode wawancara Life Story ini mengeksplorasi seorang interseks yang ditentukan sebagai perempuan saat lahir, dan kini sedang menjalani proses transisi menjadi laki-laki. Selain informan tersebut wawancara juga dilakukan dengan orang-orang terdekatnya?ayah angkat, teman dekat, dan sepupu kandungnya. Penelitian bertujuan untuk mengetahui ekspresi gender, alasan bertransisi, dan identitas yang dihasilkan oleh seorang interseks yang bertransisi. Dari penelitian yang telah dilakukan, informan utama yang terlahir interseks tersebut menunjukkan ekspresi maskulin secara bertahap, ia juga melakukan transisi menjadi laki-laki dengan dorongan dari lingkungan sosialnya, dan saat ini ia mengidentifikasi diri sebagai transmen-interseks yang heteroseksual. Seluruh pengalaman yang terjadi pada dirinya tidak terlepas dari proses pengaruh dan mempengaruhi antara ia dan struktur sosialnya.

---

ABSTRACTThe background of this research is from the many misconceptions circulating about intersex or formerly called hermaphrodites. In Indonesia, as well as in other countries, intersex has not got a place in society. They must adapt or be adapted in order to meet the normative standards and accepted by society. To that end, many of intersex experience IGM (Intersex Genital Mutilation) from birth to establish their own identity in the system of binary opposition. Determining the identity is potentially be an issue in the future of intersex infants. Therefore, this research using qualitative methodology with Life Story interview to exploring an intersex defined as female at birth, and are currently undergoing the process of transition to be a male. In addition to the key informant, interviews were also conducted with the closest people from the key informant?the adoptive father, close friend, and biological cousin. The study aims to explain the gender expression, the reason for transition, and the identity by an intersex in his transition period. From the research that has been done, the key informant who are born intersex showed masculine expression gradually, he also made the transition to be a man with encouragement from his social environment, and this time he identified himself as a heterosexual transmen-intersex. The whole experience happened to him can not be separated from the circular influence between him and his social structure."

"Sebagai salah satu cara untuk memindahkan risiko, banyak orang menginginkan produk asuransi sebagai jaminan proteksi atas dirinya. Pada masa digital ini dimana internet, media sosial dan media komunikasi digital lainnya sudah menjadi bagian dari kehidupan sehari-hari. Perusahaan asuransi juga perlu untuk mengetahui preferensi pelanggannya untuk menjangkau pelanggan potensial dan mengoptimalkan model bisnisnya. Terlebih di masa pandemi COVID-19 yang dialami oleh seluruh dunia, perusahaan jasa transportasi sedang dilanda kesulitan. Namun hal ini merupakan potensi yang sangat besar untuk penjualan asuransi perjalanan ketika pandemi sudah berakhir dan perjalanan dimulai kembali. Salah satu cara untuk mendapatkan preferensi pelanggan adalah dengan studi historikal terkait data-data pelanggan sebelumnya. Masalah preferensi ini dapat disederhanakan menjadi klasifikasi biner, dan sudah banyak metode yang umum digunakan untuk masalah ini seperti Logistic Regression, Gradient Boosting Machine dan Random forest. Namun, belum banyak yang menyelesaikan masalah tersebut menggunakan metode Convolutional Neural Network (CNN). Metode ini memanfaatkan algoritma tabular convolution untuk mengubah data tabular menjadi bentuk citra yang kemudian diklasifikasikan menggunakan CNN. Dari hasil simulasi diperoleh bahwa penggunaan metode ini dapat menyaingi akurasi metode Logistic Regression, Gradient Boosting Machine dan Random Forest dengan iterasi yang cukup rendah.

---

Many people seek insurance products as a guarantee of protection for themselves, as a way to transfer the risk that they are facing. In this digital era where the internet, social media and other digital communication media have become a part of everyday life, insurance companies also need to know their customers’ preferences to reach potential customers and optimize their business models. Especially during the COVID- 19 pandemic experienced by the whole world, transportation service companies are experiencing many difficulties. But due to this pandemic, there lies a huge potential of travel insurance when the pandemic ends and demands surge for travel business. One way to get customer preferences is by historical studies related to previous customer data. This preference problem can be reduced to binary classification with many methods commonly used to address this problem, such as Logistic Regression, Gradient Boosting Machines and Random Forest. However, not many has solved this problem using the Convolutional Neural Network (CNN) method. This method utilizes the tabular convolution algorithm to convert tabular data into image form which will then be classified using CNN. The results obtained that the use of this method can compete with Logistic Regression, Gradient Boosting Machine and Random Forest with a fairly low iteration."

"Aktivitas anomali pada jaringan internet BMKG belum seluruhnya dapat dianalisis secara manual, sehingga beberapa sistem BMKG terdampak oleh aktivitas siber ini. Deteksi dan klasifikasi intrusi merupakan upaya penting yang dapat dilakukan BMKG dalam menangani serangan siber. Penelitian ini bertujuan untuk membuat model klasifikasi terbaik untuk mengklasifikasikan intrusi. Dataset yang digunakan adalah dataset CICIDS2017 dan data internet BMKG yang kemudian dilakukan penanganan data tidak seimbang menggunakan SMOTE. Untuk meningkatkan performa klasifikasi, dilakukan seleksi fitur dan diusulkan tiga variasi jumlah fitur, yaitu 7 fitur, 18 fitur, dan 82 atau keseluruhan fitur. Klasifikasi yang dilakukan mencakup klasifikasi biner untuk membedakan serangan dan normal, serta multikelas untuk mengklasifikasikan beberapa jenis serangan. Algoritma klasifikasi yang digunakan dalam penelitian ini adalah KNearest Neighbor (KNN), Decision Tree (DT), dan Random Forest (RF). Hasil model klasifikasi terbaik untuk kelas biner adalah DT dengan 82 atau keseluruhan fitur dengan akurasi 99,1%. Sedangkan model terbaik untuk multikelas adalah DT dengan 82 atau keseluruhan fitur dengan akurasi 99,2%. Penelitian ini menunjukkan bahwa model klasifikasi berbasis pembelajaran mesin dapat meningkatkan deteksi dan klasifikasi serangan siber dengan akurasi tinggi. BMKG dapat mengimplementasikan model ini untuk deteksi otomatis dan respons cepat terhadap ancaman, melakukan uji coba lapangan, memberikan pelatihan staf, dan memastikan pemeliharaan serta pemantauan rutin model. Langkah-langkah ini dapat membantu BMKG dalam meningkatkan keamanan jaringan dan melindungi data serta layanan dari serangan siber di masa mendatang.

---

Anomalous activity on the BMKG's internet network cannot be fully analyzed manually, so several BMKG systems have been affected by this cyber activity. Intrusion detection and classification is an important effort that can be made by BMKG in dealing with cyber attacks. This research aims to create the best classification model to classify intrusions. The datasets used are the CICIDS2017 dataset and BMKG internet data, which are then handled with unbalanced data using SMOTE. To improve classification performance, feature selection is performed, and three variations in the number of features are proposed, namely 7 features, 18 features, and 82 or all features. The classification includes binary classification to distinguish between normal and attack and multiclass classification to classify multiple types of attacks. The classification algorithms used in this research are K-Nearest Neighbor (KNN), Decision Tree (DT), and Random Forest (RF). The best classification model for binary classes is DT with 82 or all features with 99.1% accuracy. While the best model for multiclass is DT with 82 or all features with 99.2% accuracy. This research shows that a machine learning-based classification model can improve cyberattack detection and classification with high accuracy. BMKG can implement this model for automated detection and rapid response to threats, conduct field trials, provide staff training, and ensure regular model maintenance and monitoring. These steps can help BMKG improve network security and protect data and services from future cyberattacks."

"Pemodelan farmakofor merupakan suatu metode perancangan obat dengan pendekatan komputasi (in silico) yang berperan penting untuk mengetahui aksi spesifik antara ligan dengan target makromolekul. Pemodelan farmakofor memiliki beberapa keterbatasan, seperti sering dihasilkannya senyawa positif palsu dan negatif palsu dalam rasio yang tinggi. Oleh sebab itu, pengembangan perlu dilakukan untuk memperoleh model farmakofor yang lebih prediktif. Pada penelitian ini, dilakukan pengembangan model farmakofor yang diaplikasikan pada senyawa antagonis reseptor adenosin A2A menggunakan perangkat lunak LigandScout. Senyawa antagonis reseptor adenosin A2A diperoleh dari ChEMBL dengan nilai Ki ≤ 10 nM sebanyak 94 ligan digunakan sebagai training set dan nilai Ki > 10 nM sebanyak 3.556 ligan digunakan sebagai decoy set. Pembentukan model farmakofor dan optimasi dilakukan menggunakan training set dan divalidasi menggunakan test set yang merupakan gabungan dari training set dan decoy set. Kemudian, dilakukan analisis statistik melalui perhitungan beberapa parameter analisis berdasarkan kelompok klasifikasi biner. Dari penelitian ini, diperoleh empat fitur farmakofor dari model antagonis reseptor adenosin A2A yang mencakup 1 H (Hydrophobic Interaction), 2 HBA (Hydrogen Bond Acceptor), dan 1 HBD (Hydrogen Bond Donor). Selain itu, diperoleh nilai parameter validasi model yaitu AUC100% sebesar 0,65; EF1% sebesar 4,3; dan EF5% sebesar 3,6 serta nilai ketujuh parameter analisis statistik yaitu akurasi sebesar 0,3789; error rate sebesar 0,6211; sensitivitas sebesar 0,9894; spesifisitas sebesar 0,3684; presisi sebesar 0,0326; nilai prediksi negatif sebesar 0,9974; dan false discovery rate sebesar 0,9674. Nilai dari parameter-parameter tersebut diperoleh dari hasil optimasi model farmakofor yang berbeda-beda sehingga belum ditemukan satu model yang memiliki nilai terbaik untuk semua parameter.

---

Pharmacophore modeling is a drug design method with a computational approach (in silico) that represents the important role of ligand's specific actions with macromolecular targets. Pharmacophore modeling has several limitations, such as frequent false positives and false negatives in high ratios. Therefore, model development is needed to obtain a more predictive pharmacophore model. In this study, the development of a pharmacophore model was applied to the adenosine A2A receptor antagonist compound using LigandScout. The adenosine A2A receptor antagonist compound obtained from ChEMBL with Ki value ≤ 10 nM (94 ligands) was used as a training set and a Ki value > 10 nM (3,556 ligands) was used as a decoy set. The pharmacophore model and its optimization were formed from a training set, validated using a test set which is a combination of a training set and a decoy set. Then, statistical analysis is carried out by calculating several parameters based on the analysis of binary classification groups. From this study, four pharmacophore features of the adenosine A2A receptor antagonist model were obtained, consisting of 1 H (Hydrophobic Interaction), 2 HBA (Hydrogen Bond Acceptor), and 1 HBD (Hydrogen Bond Donor). In addition, the values of AUC100% (0.65); EF1% (4.3); and EF5% (3.6) were obtained from model validation parameters and the values of accuracy (0.3789); error rate (0.6211); sensitivity (0.9894); specificity (0.3684); precision (0.0326); negative predictive value (0.9974); and a false discovery rate (0.9674) were obtained from the seven statistical analysis parameters. The value of these parameters were obtained from the optimization results of different pharmacophore models. Accordingly, the model that has the best values for all parameters has not been determined."