Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Indeks-H telah banyak digunakan sebagai salah satu metode pengukuran bibliometrik untuk kinerja peneliti. Di sisi lain, indeks-H tidak adil untuk mencari penulis yang memiliki jumlah kutipan yang tinggi tetapi jumlah makalah yang lebih sedikit ("peneliti perfeksionis") dan peneliti yang memiliki banyak makalah tetapi kutipan yang lebih sedikit ("peneliti produktif"). Tujuan utama dari artikel ini adalah untuk meningkatkan indeks-H dalam mengakomodasi dan menghitung dampak peneliti perfeksionis dan produktif berdasarkan pada algoritma Indeks Keadilan Jain dan Hukum Lotka. Kami mengusulkan untuk meningkatkan keadilan indeks-H dengan indeks-RA kami. Untuk membuktikan metode yang diusulkan, kami menggunakan 1.710 set data kutipan dari para peneliti yang dikutip dari Scopus berdasarkan daftar nama penulis dari situs Webometrics. Dari pengamatan, kami menemukan bahwa indeks keadilan indeks-RA memiliki rata-rata 91%, yang lebih tinggi dari keadilan indeks-H 80%.

---

H-index has been widely used as one of the bibliometric measurement methods for researchers' performance. On the other hand, H-index has been unfair for figuring authors that have high number of citations but fewer number of papers (“perfectionist researcher”) and researchers that have many papers but fewer citations (“productive researcher”). The main objective of this article is to improve H-index for accommodating and calculating perfectionist and productive researchers’ impact based on Jain’s Fairness Index algorithm and Lotka’s Law. We propose for improving H-index by our RA-index. To prove the propose method, we used 1,710 citation data sets of top cited researchers from Scopus based on author names list from Webometrics site. From observation, we find that fairness index of the RA-index has the average of 91%, which is higher than the fairness of H-Index 80%.

"

"Lightweight blockchain hadir sebagai solusi baru dalam teknologi blockchain, terutama ketika diintegrasikan ke dalam perangkat Internet of Things (IoT). Teknologi blockchain telah banyak digunakan di berbagai industri namun memiliki keterbatasan, seperti skalabilitas, konsumsi energi yang tinggi, dan waktu pemrosesan transaksi yang lama. Lightweight blockchain mengatasi masalah ini dengan pendekatan baru, seperti modifikasi ataupun usulan pada konsensus, algoritma, ataupun proses mining, yang bertujuan mengurangi kompleksitas komputasi dan konsumsi energi pada jaringan blockchain. Lightweight blockchain sangat cocok jika diintegrasikan ke dalam perangkat IoT. Usulan proses mining dengan pendekatan cluster mining dan penambahan struktur gabungan dari struktur data Merkle Patricia Trie dengan Linked List merupakan dua peningkatan dari kemampuan lightweight blockchain yang ditawarkan pada disertasi ini. Penelitian ini berfokus pada algoritma konsensus Proof of Work (PoW) yang umum digunakan dalam jaringan blockchain. Tujuan utama penelitian ini adalah untuk mempercepat waktu yang diperlukan dalam proses mining suatu blok dan proses pencarian query/lookup data di dalam suatu blok. Usulan pertama untuk meningkatkan kemampuan lightweight blockchain dalam disertasi ini adalah merancang proses mining dan pendekatan tingkat kesulitan yang dapat disesuaikan (penyesuaian algoritma dalam mencari hash target dengan pendekatan leading-zero atau count-zero juga diuji pada penelitian ini) saat membuat blok pada jaringan lightweight blockchain. Penelitian ini membuktikan bahwa cluster mining dengan pendekatan count-zero lebih cepat dalam proses mining. Dari hasil percobaan, untuk waktu kurang dari 30 detik, cluster mining dengan pendekatan count-zero mampu melakukan proses mining dengan tingkat kesulitan ke-18. Sedangkan pendekatan leading-zero untuk waktu yang sama hanya mampu mencapai tingkat kesulitan ke-3, pada tingkat kesulitan ke-4, waktu yang diperlukan lebih dari 30 detik. Usulan yang kedua adalah penambahan struktur data baru, gabungan dari struktur data Merkle Patricia Trie dan struktur data Linked Lists. Penggabungan ini bertujuan untuk meningkatkan kemampuan menyimpan informasi di blockchain dan tetap dapat menghasilkan informasi terperinci untuk world-state atau status pengguna jaringan lightweight blockchain saat ini. Struktur data gabungan ini dapat meningkatkan efisiensi proses pencarian (query/lookup). Dari hasil percobaan penggabungan struktur data ini, waktu yang diperlukan untuk melakukan pencarian (query/lookup) data berjalan stabil pada kisaran kurang dari satu milidetik, sedangkan pencarian (query/lookup) pada Merkle Tree memerlukan waktu dari 0.011 sampai 0.18detik, atau struktur baru memiliki kecepatan sekitar 11 sampai 180 kali lebih cepat dibandingkan dengan struktur Merkle Tree. Cluster mining dan kombinasi struktur Merkle Patricia Trie dan Linked Lists berpotensi lebih cepat dalam membuat blok saat menggunakan konsensus PoW dan dapat meningkatkan efisiensi pencarian historytransaksi pada sistem lightweight blockchain yang terintegrasi dengan IoT.

---

Lightweight blockchain is a new solution in blockchain technology, especially when integrated into the Internet of Things (IoT) devices. Blockchain technology has been widely used in various industries but has limitations, such as scalability, high energy consumption, and long transaction processing times. Lightweight blockchain overcome this problem by introducing new approaches, such as modifications or proposals to consensus, algorithms, or mining processes, which aim to reduce the blockchain network's computational complexity and energy consumption. Lightweight blockchain is suitable when integrated into the IoT devices with limitations. The proposed mining process with a cluster mining approach and adding a combined structure from the Merkle Patricia Trie data structure with Linked List are two improvements to the lightweight blockchain capabilities offered in this dissertation. This research focuses on the Proof of Work (PoW) consensus algorithm in blockchain networks. The main objective of this research is to speed up the time required in the mining process of a block and the process of searching query/lookup data in a block. The first proposal to improve the capabilities of lightweight blockchains in this dissertation is to design a mining process using the cluster mining method and an adjustable difficulty level approach (algorithm adjustments in finding a hash target with a leading-zero or count-zero approach are also tested in this study) when creating blocks on a lightweight blockchain network. This research proves that cluster mining with a count-zero approach is faster in the mining process. From the results of the experiments that have been carried out for less than 30 seconds, cluster mining with a count-zero approach can carry out the mining process with the 18th level of difficulty. Whereas the leading-zero approach for the same time is only able to reach the third difficulty level, at the fourth difficulty level, it takes more than 30 seconds. The second proposal is the addition of a new data structure, a combination of the Merkle Patricia Trie data structure and the Linked Lists data structure. This merger aims to improve the ability to store information on the blockchain and still be able to produce detailed information for the world-state or the current user status of the lightweight blockchain network. This combined data structure can significantly improve the efficiency of the search process (query/lookup). From the experimental results of combining these data structures, the time required to perform a search (query/lookup) of data is stable in the range of less than one millisecond, while searching (query/lookup) on the Merkle Tree takes from 0.011 to 0.18 seconds, or a new structure has a speed of about 11 to 180 times faster than the Merkle Tree structure. Mining clusters and the combination of the Merkle Patricia Trie and Linked Lists structures have the potential to create blocks faster when using PoW consensus. They can increase the efficiency of searching transaction history on a lightweight blockchain integrated with the IoT."

"Masalah pokok penggunaan fingerprinting Receive Signal Strength (RSS) pada indoor localization adalah pengaruh lingkungan terhadap hasil pengukuran RSS, menyikapi variabilitas nilai RSS dan akurasi penentuan posisi. Penelitian ini mengkombinasikan penggunaan keunggulan teknologi LoRa dengan metode deep learning yang menggunakan semua variasi hasil pengukuran nilai RSS di setiap posisi sebagai fitur alami dari kondisi dalam ruangan sebagai fingerprinting untuk melatih model pada deep learning. Teknik ini diberi nama DeepFi-LoRaIn, yang menggambarkan teknik untuk menggunakan data fingerprinting dari RSS perangkat LoRa pada indoor localization menggunakan metode deep learning. Penelitian ini dilakukan tidak hanya sebatas pengujian dan pembuktian metode menggunakan pendekatan testbed dan simulasi, namun berlanjut hingga tahapan implementasi menggunakan RSS fingerprinting dari hasil pengukuran sebenarnya. Skenario pengujian yang digunakan untuk mengevaluasi model adalah skenario tanpa gangguan dan skenario dengan memberikan gangguan. Skenario gangguan dilakukan dengan cara memberikan gangguan pada nilai RSS yang diterima di beberapa anchor node. Pada pengujian menggunakan dataset simulasi diperoleh hasil prediksi posisi dengan nilai akurasi 100% untuk skenario tanpa gangguan. Sedangkan pada skenario dengan gangguan diperoleh hasil akurasi prediksi posisi sebesar 86,66%. Hasil pengujian prediksi posisi menggunakan data pengukuran langsung diperoleh nilai akurasi sebesar 96,22%, untuk skenario tanpa gangguan dan 92,45%. untuk skenario pengujian dengan gangguan. Berdasarkan hasil penelitian menggunakan data simulasi dan data pengukuran sebenarnya pada implementasi, diperoleh kesimpulan bahwa, penggunaan Teknik DeepFi-LoRaIn mampu mengatasi permasalahan pada variabilitas nilai RSS didalam ruangan dan mampu menjaga akurasi prediksi posisi jika terjadi gangguan yang disebabkan oleh perubahan kondisi lingkungan.

---

The main problem using fingerprinting Receive Signal Strength (RSS) in indoor localization is the influence of the environment on the results of RSS measurements, addressing the variability of RSS values and positioning accuracy. This study combines the use of the advantages of LoRa technology with a deep learning method that uses all variations of the RSS value measurement results in each position as a natural feature of indoor conditions as fingerprinting to train models in deep learning. This technique is named DeepFi-LoRaIn, which describes a technique for using RSS fingerprinting data from LoRa devices in indoor localization using deep learning methods. This research is not only limited to testing and proving the method using a testbed and simulation approach, but continues to the implementation stage using RSS fingerprinting from the actual measurement results. The test scenarios used to evaluate the model are the without interference scenario and the with interference scenario. The inteference scenario is done by giving disturbance to the RSS value received at several anchor nodes. In testing using a simulation dataset, position prediction results are obtained with an accuracy value of 100% for without interference scenarios. Meanwhile, in the scenario with interference, the accuracy of position prediction is 86.66%. The results of the position prediction test using direct measurement data obtained an accuracy value of 96.22%, for the scenario without interference and 92.45%. Based on the results of the study using simulation data and actual measurement data in the implementation, it was concluded that the use of the DeepFi-LoRaIn technique was able to overcome the problem of the variability of the RSS value in the room and was able to maintain the accuracy of position prediction in case of disturbances caused by changes in environmental conditions."

"Integrasi lightweight blockchain dengan Wireless Sensor Network (WSN) telah menyelesaikan beberapa masalah seperti authentikasi, authorisasi, keamanan dan integritas data. Namun, belum ada studi yang berfokus memperhatikan network lifetime pada blockchain yang diterapkan pada WSN. Penelitian ini berupaya memodifikasi algoritma Proof-of-Authority (PoA) agar lebih adil dalam pembagian penggunaan energi yang ditujukan untuk meningkatkan network lifetime sekaligus produksi blok. Jenis jaringan yang digunakan adalah WSN terklaster karena memiliki penggunaan energi yang lebih baik. WSN terklaster terdiri dari Base Station, Cluster Head dan Sensor Node yang memiliki tugasnya masing-masing. Dalam hal network lifetime, studi ini mengembangkan Proof-of-Authority menjadi Energy-aware Proof-of-Authority (EA-PoA) yang memodifikasi pertukaran pesan dan pemilihan Leader. EA-PoA memodifikasi pemilihan pengusul blok (Leader) yang awalnya menggunakan round-robin menjadi pemilihan berdasarkan pembobotan battery level pada setiap perangkat. Dengan demikian, node yang memiliki baterai lebih sedikit tidak akan terbebani oleh proses mining. Sedangkan dalam hal produksi blok, penelitian ini telah mengembangkan model jaringan blockchain hirarki yang terdiri dari local dan master blockchain yang disebut Multi-level blockchain model (MLBM). Local blockchain adalah jaringan blockchain untuk setiap klaster dengan anggota Node Sensor. Blok yang diusulkan dan disimpan dalam jaringan local blockchain merupakan data sensor. Sedangkan master blockchain beranggotakan Cluster Head dari setiap klaster, blok yang diusulkan dan disimpan adalah kumpulan header dari beberapa blok dalam local blockchain. Hal ini dilakukan untuk meningkatkan integritas data sekaligus mengingkatkan produksi blok dalam jaringan. Hasil simulasi menunjukkan bahwa mekanisme pemilihan Leader dari EA-PoA dapat meningkatkan network lifetime hingga 10% dibandingkan PoA tradisional. Selanjutnya, Multi-level blockchain model dapat meningkatkan produksi blok setiap penambahan klaster dalam jaringan.

---

The integration of lightweight blockchain with Wireless Sensor Network (WSN) has addressed several issues such as authentication, authorization, security, and data integrity. However, no study has specifically focused on the network lifetime of blockchain implemented in WSN. This research aims to modify the Proof-of-Authority (PoA) algorithm to more equitably distribute energy usage to enhance both network lifetime and block production. The type of network employed is clustered WSN, known for its better energy usage. Clustered WSN consists of a Base Station, Cluster Head, and Sensor Nodes, each with distinct responsibilities. In terms of network lifetime, this study develops Proof-of-Authority into Energy-aware Proof-of-Authority (EA-PoA), which modifies message exchange and Leader selection. EA-PoA alters the block proposer (Leader) selection from a round-robin method to a battery-level weighting method for each device. Thus, nodes with lower battery levels are not burdened by the mining process. Regarding block production, this research has developed a hierarchical blockchain network model called the Multi-level Blockchain Model (MLBM), which consists of local and master blockchains. The local blockchain serves as the blockchain network for each cluster with Sensor Node members, where proposed and stored blocks contain sensor data. The master blockchain consists of Cluster Heads from each cluster, where proposed and stored blocks are collections of headers from several blocks in the local blockchain. This approach is designed to enhance data integrity and increase block production within the network. Simulation results indicate that the Leader selection mechanism of EA-PoA can extend network lifetime by up to 10% compared to traditional PoA. Furthermore, the Multi-level Blockchain Model can increase block production with each additional cluster in the network."