MF - School of Data Science, Mathematic and Informatics

Model Prediksi Body Condition Score (BCS) Gajah Sumatera Berdasarkan Citra Fotogrametri Dron

2026-10-28T06:30:16Z

Model Prediksi Body Condition Score (BCS) Gajah Sumatera Berdasarkan Citra Fotogrametri Dron Saputro, Christiawan Eko Gajah sumatera merupakan salah satu satwa dengan nilai ekologis tinggi yang dikategorikan sebagai spesies payung (umbrella species). Populasi gajah sumatera saat ini terus menurun secara signifikan, dari sekitar 2.800 sampai 4.800 ekor pada tahun 1985 menjadi sekitar 1.100 ekor pada tahun 2025, akibat rendahnya keberhasilan reproduksi yang diduga kuat terjadi karena fragmentasi habitat, konflik manusia–gajah, serta gangguan kesehatan dan kesejahteraan individu. Taman Nasional Way Kambas (TNWK) adalah kawasan konservasi gajah sumatera, berfungsi sebagai pusat perlindungan, rehabilitasi, dan penelitian. Salah satu indikator kesejahteraan gajah adalah body condition score (BCS), yang mencerminkan kondisi fisik dan status gizinya. Penelitian ini bertujuan mengembangkan model deep learning yang dapat memprediksi nilai BCS gajah sumatera secara otomatis dari citra fotogrametri dron. Pendekatan yang digunakan menggabungkan dua model, yaitu U-Net untuk segmentasi tubuh gajah dari latar belakang dan EfficientNetV2-M untuk memprediksi nilai BCS dari citra hasil segmentasi tersebut. Citra hasil segmentasi digunakan sebagai masukan pada tahap prediksi agar model lebih terfokus pada fitur tubuh gajah, sehingga nilai prediksi meningkat. Dataset penelitian terdiri atas 2.995 citra RGB gajah sumatera dari 32 individu di TNWK, yang dibagi secara proporsional menjadi data latih (70%), validasi (15%), dan uji (15%). Model U-Net mencapai performa terbaik pada konfigurasi learning rate 0,0001 dan dropout 0,3, dengan Intersection over Union (IoU) sebesar 0,9742 pada data uji, yang menunjukkan kemampuan model untuk memisahkan area tubuh gajah dari latar belakang secara akurat. Pada tahap prediksi BCS, model EfficientNetV2-M dengan input citra hasil segmentasi U-Net mencapai performa terbaik pada konfigurasi learning rate 0,001 dan dropout 0,2, dengan Coefficient of Determination (R²) = 0,9504 dan Mean Absolute Error (MAE) = 0,1095 pada data uji. Performa ini lebih baik dibandingkan dengan model menggunakan citra asli tanpa segmentasi (R² = 0,9283; MAE = 0,1260), dengan penurunan MAE sebesar 13,1%, yang menunjukkan bahwa segmentasi U-Net berkontribusi nyata terhadap peningkatan akurasi prediksi. Kombinasi U-Net dan EfficientNetV2-M menghasilkan estimasi BCS yang akurat dan konsisten. Pendekatan berbasis citra dron ini mengurangi risiko bagi peneliti, dan meminimalkan gangguan terhadap satwa. Temuan ini menunjukkan bahwa teknologi deep learning berbasis citra dron berpotensi menjadi solusi alternatif yang konsisten dan efisien untuk mendukung pemantauan kesehatan dan program konservasi gajah sumatera.

Pengembangan Sistem Penomoran Ijazah dan Sertifikat Profesi Nasional (PISN) menggunakan Blockchain

2026-10-27T00:02:38Z

Pengembangan Sistem Penomoran Ijazah dan Sertifikat Profesi Nasional (PISN) menggunakan Blockchain Ibrahim, Wahyu Nomor ijazah nasional dan nomor sertifikat profesi nasional diterbitkan melalui sistem yang dikelola Kementerian sesuai Permendikbudristek Nomor 50 Tahun 2024; pada layanan Penomoran Ijazah dan Sertifikat Nasional (PISN) skalanya mencakup 4.303 perguruan tinggi dengan lebih dari 10 juta mahasiswa dan 2,5 juta lulusan pada tahun 2025. Arsitektur terpusat pada layanan seperti ini mengandung dua kerentanan mendasar: risiko single point of failure (SPOF) yang dapat melumpuhkan layanan secara keseluruhan, dan ancaman insider threat dari aktor berotorisasi yang tidak terdeteksi oleh kontrol keamanan berbasis perimeter. Penelitian ini merancang, mengembangkan, dan mengevaluasi proof of concept (PoC) arsitektur PISN berbasis Hyperledger Fabric 2.5 dan penyimpanan terdistribusi dengan IPFS, menggunakan pendekatan Design Science Research, dengan metadata transaksi disimpan on-chain dan dokumen pendukung terenkripsi disimpan off-chain. Artefak didemonstrasikan pada empat proses bisnis inti penerbitan standar, penerbitan via eksepsi, pencabutan (rancangan penelitian), dan verifikasi publik yang melibatkan empat aktor institusional (Perguruan Tinggi, Kemdiktisaintek, LLDikti, Kemenag) dalam satu jaringan permissioned blockchain. Ketahanan terhadap SPOF pada lapisan ledger diuji melalui enam skenario injeksi kegagalan (fault injection) pada peer dan orderer, ditambah satu skenario baseline sebagai kontrol, masing-masing diulang sepuluh kali. Kegagalan satu orderer follower tidak mengganggu penulisan, sedangkan kegagalan orderer leader menghentikan penulisan sementara selama sekitar 9 sampai 17 detik sebelum pulih otomatis. Kehilangan kuorum menghentikan commit dan pulih otomatis dalam sekitar 15 detik setelah kuorum kembali. Ketahanan pada lapisan peer bersifat asimetris mengikuti endorsement policy AND(PT, OR(regulator)): kegagalan satu peer regulator dikompensasi tanpa penalti latensi yang teramati, sedangkan kegagalan peer perguruan tinggi menghentikan penerbitan tanpa failover. Komponen di luar ledger (backend, PostgreSQL, dan IPFS) tidak direplikasi dan teramati menjadi SPOF pada lapisan aplikasi, sehingga klaim ketahanan penelitian ini dibatasi pada lapisan ledger dan pada kegagalan node individual di satu lingkungan uji. Mitigasi insider threat dievaluasi melalui enam skenario (T1, T2, T3, T4, T5a, dan T5b) pada tiga kategori STRIDE yang paling terkait penyalahgunaan hak akses oleh aktor internal, yaitu Tampering, Elevation of Privilege, dan Repudiation, dengan berpegang pada model adversary dan batas kepercayaan yang didefinisikan lebih dulu. Tiga kategori lain (Spoofing, Information Disclosure, dan Denial of Service) ditinjau ulang dan hanya diamati atau diuji sebagian. Pada jalur transaksi yang melewati chaincode dan API, upaya memaksakan definisi chaincode oleh satu organisasi ditolak oleh lifecycle governance multi-organisasi (T1), penerbitan tanpa atribut peran ditolak chaincode (T3), tindakan lintas yurisdiksi ditolak pada dua lapis independen, yaitu backend dan chaincode (T4), dan riwayat on-chain tidak dapat dihapus melalui chaincode (T5a). Perubahan record melalui chaincode dicegah oleh hash yang dihitung di chaincode, tetapi substitusi dokumen hanya terdeteksi apabila hash dibandingkan dengan sumber tepercaya (T2). Pencegahan ini tidak berlaku pada tingkat infrastruktur: state database peer terbuka dengan kredensial bawaan dan dapat diubah tanpa transaksi (T5b); endorsement multiorganisasi tetap menolak transaksi yang bertumpu pada state yang diubah, tetapi karena verifikasi publik membaca melalui satu peer, perubahan itu dapat memunculkan status verifikasi yang keliru; selain itu satu backend memegang identitas seluruh organisasi. Kedua celah residual tersebut belum ditutup pada PoC. Masukan formatif atas relevansi rancangan dikumpulkan melalui evaluasi kontekstual bersama dua pengelola layanan PISN di Direktorat Pembelajaran dan Kemahasiswaan, Kemdiktisaintek, menggunakan walkthrough terstruktur dan kuesioner Likert lima poin pada empat dimensi yang berkorespondensi dengan kriteria desain. Seluruh butir dinilai pada kisaran 4 sampai 5, dengan rata-rata keseluruhan 4,75 (Sangat Sesuai) dan skor tertinggi pada dimensi kesesuaian alur otorisasi antar-aktor (5,00). Karena responden hanya dua orang dari satu unit kerja dan penilaian diberikan sebelum pengujian berulang, hasil ini bersifat deskriptif dan tidak digeneralisasi. Kontribusi utama penelitian terletak pada integrasi konteks regulasi PISN yang konkret, evaluasi ketahanan lapisan ledger yang terukur melalui injeksi kegagalan berulang, dan evaluasi mitigasi insider threat berbasis desain permissioned blockchain terdistribusi yang menyatakan secara terbuka batas pencegahannya (jalur chaincode dan API) serta celah residual pada tingkat infrastruktur, melengkapi kajian terdahulu yang umumnya bertumpu pada asumsi arsitektural tanpa pengujian kegagalan node, dan pada analisis ancaman yang berorientasi deteksi atau belum disertai percobaan serangan.

Model Akuntabilitas Kinerja Instansi Pemerintah Menggunakan Retrieval Augmented Generation (Studi Kasus : BPPSDMKP)

2026-10-12T04:20:31Z

Model Akuntabilitas Kinerja Instansi Pemerintah Menggunakan Retrieval Augmented Generation (Studi Kasus : BPPSDMKP) Rafeliandi, Ridona Viju Implementasi Sistem Akuntabilitas Kinerja Instansi Pemerintah (SAKIP) yang menghasilkan volume dokumen regulasi dan laporan yang masif menyebabkan terlalu banyak informasi, sehingga menghambat efektivitas evaluasi kinerja organisasi dan pengambilan keputusan strategis. Meskipun penggunaan kecerdasan buatan bisa membantu mengatasi masalah tidak efisien tersebut, penggunaannya tetap berisiko menghasilkan halusinasi data yang bisa mengganggu keakuratan dalam menganalisis kebijakan. Oleh karena itu, arsitektur Retrieval-Augmented Generation (RAG) diajukan sebagai solusi inovatif yang menggabungkan kemampuan mengambil informasi dari sumber pengetahuan yang terverifikasi dengan Large Language Model (LLM), sehingga memastikan hasil evaluasi SAKIP menjadi lebih valid, akurat, dan dapat berinteraksi dengan baik. Penelitian ini bertujuan untuk: (1) merancang model akuntabilitas kinerja instansi pemerintah menggunakan RAG; (2) menganalisis dan mengukur performa model RAG; serta (3) mengevaluasi manfaat dan memberikan rekomendasi penerapan model RAG. Penelitian ini menggunakan pendekatan RAG, di mana kualitas model dinilai menggunakan framework RAGAS, sedangkan manfaatnya dinilai melalui metode System Usability Scale (SUS) dan uji statistik Wilcoxon Signed-Rank Test. Penelitian ini menghasilkan model yang menggabungkan sistem evaluasi SAKIP dengan RAG. Hasil penilaian menggunakan metrik RAGAS kemampuan pengambilan informasi secara komprehensif yang dibuktikan melalui skor pada aspek Context Precision (0,835) dan Context Recall (0,984). Selain itu, respons yang dihasilkan terbukti relevan dan konsisten secara fakta dan makna sesuai dengan jawaban sebenarnya (ground truth), yang ditunjukkan oleh skor pada aspek Faithfulness (0,979), Answer Relevancy (0,816), dan Answer Correctness (0,964). Sementara itu, hasil uji statistik menunjukkan adanya perbedaan yang sangat signifikan pada efektivitas kerja sebelum dan sesudah intervensi penggunaan model RAG (Z = -3,294; p < 0,05). Evaluasi usability menghasilkan skor rata-rata 73,21 (kategori Acceptable). Penerapan kecerdasan buatan ini mengubah proses evaluasi dari yang bersifat manual menjadi sistem pendukung keputusan yang mampu mengurangi beban tugas rutin asesor, sehingga asesor dapat lebih berfokus pada analisis konteks strategis yang berorientasi pada hasil. Temuan penelitian ini diharapkan dapat menjadi rujukan dalam mempercepat digitalisasi sistem monitoring dan evaluasi kinerja instansi pemerintah agar lebih cerdas dan adaptif. Meskipun demikian, kecerdasan buatan dalam sistem ini berfungsi sebatas sebagai alat bantu, sedangkan keputusan akhir tetap sepenuhnya berada pada pengguna.

Pengembangan Metode Adaptive Neighborhood Representative Plus (ANR?) untuk Peningkatan Performa Deteksi Outlier

2026-10-07T06:20:48Z

Pengembangan Metode Adaptive Neighborhood Representative Plus (ANR?) untuk Peningkatan Performa Deteksi Outlier Abdullah, Adib Roisilmi Deteksi outlier bertujuan mengidentifikasi objek yang memiliki pola berbeda dari mayoritas pengamatan. Metode berbasis k-nearest neighbors mampu menangkap struktur ketetanggaan antarobjek, tetapi kinerjanya sensitif terhadap pemilihan nilai . Metode yang hanya menggunakan skor individual juga dapat mengabaikan informasi pada tingkat kelompok. Penelitian ini bertujuan mengembangkan Adaptive Neighborhood Representative Plus (ANR?) melalui integrasi K-Finder based on Neighborhood Consistency (KFC) dan Neighborhood Representative Plus (NR?). Kinerja ANR? kemudian dievaluasi menggunakan data referensi. Metode tersebut selanjutnya diterapkan pada data SUSENAS Maret 2024 Provinsi Jawa Barat. ANR? menggunakan KFC untuk memilih nilai k secara adaptif berdasarkan konsistensi struktur ketetanggaan. Objek representative dibentuk melalui iterative medoid-shift. Skor ANR? diperoleh dengan menggabungkan skor lokal setiap objek dan skor global dari objek representative. Kinerja metode dievaluasi pada 14 dataset referensi menggunakan AUC-ROC dan dibandingkan dengan KFCS serta NR? rujukan. KNN digunakan sebagai detektor utama, sedangkan LOF, ODIN, dan MOD+ digunakan untuk menilai konsistensi hasil antardetektor. Weighted ANR? juga dianalisis sebagai oracle upper bound untuk menilai potensi pembobotan skor lokal dan global. Evaluasi pada delapan dataset yang dapat dibandingkan menunjukkan rata-rata AUC ANR? sebesar 0,733 dibandingkan 0,680 pada KFCS rujukan. ANR? menghasilkan AUC lebih tinggi pada enam dari delapan dataset tersebut. Perbandingan dengan NR? rujukan menunjukkan rata-rata AUC ANR? sebesar 0,831 dan NR? sebesar 0,812 pada sebelas dataset. ANR? menghasilkan AUC lebih tinggi pada lima dataset. Weighted ANR? menghasilkan rata-rata AUC 0,798 dibandingkan 0,775 pada ANR? utama di 14 dataset. Hasil tersebut menunjukkan bahwa kontribusi skor lokal dan global berbeda pada setiap dataset sehingga perbedaan kinerja ANR? tetap bergantung pada karakteristik data. ANR? selanjutnya diterapkan pada 26.012 rumah tangga SUSENAS Maret 2024 Provinsi Jawa Barat. Analisis menggunakan lima peubah, yaitu pengeluaran makanan per kapita, pengeluaran nonmakanan per kapita, konsumsi kalori per kapita, konsumsi protein per kapita, dan jumlah anggota rumah tangga. Seluruh peubah kemudian distandardisasi menggunakan z-score sebelum pembentukan struktur neighborhood. Pemilihan k menghasilkan nilai 10 untuk KNN, 21 untuk LOF, 52 untuk ODIN, dan 20 untuk MOD+. KNN sebagai detektor utama membentuk 2.055 objek representative melalui delapan iterasi. Penerapan Two-Stage Thresholding pada skor ANR?-KNN menghasilkan ambang akhir sebesar 1,790 dan mengidentifikasi 1.932 rumah tangga atau 7,43% sebagai kandidat outlier. Kandidat tersebut terdiri atas 1.538 Global-like atau 79,61%, 320 Local-like atau 16,56%, dan 74 Collective-like atau 3,83%, sedangkan kategori Others tidak ditemukan. Perbandingan antardetektor menunjukkan kesesuaian terbesar antara KNN dan MOD+ dengan indeks Jaccard sebesar 0,806 dan korelasi peringkat Spearman sebesar 0,978. Sebanyak 603 rumah tangga memperoleh dukungan sedikitnya tiga detektor dan 75 di antaranya ditetapkan sebagai kandidat oleh seluruh empat detektor. Profil kandidat menunjukkan bahwa perbedaan terhadap nonkandidat terutama terdapat pada dimensi pengeluaran. Rata-rata pengeluaran nonmakanan dan makanan per kapita kandidat masing-masing mencapai 6,520 dan 2,838 kali rata- rata nonkandidat. Rasio rata-rata konsumsi protein, jumlah anggota rumah tangga, dan konsumsi kalori masing-masing sebesar 1,510, 0,824, dan 1,315. Perbedaan pada konsumsi gizi dan ukuran rumah tangga relatif lebih kecil. Hasil tersebut menunjukkan bahwa kandidat terbentuk dari kombinasi karakteristik dalam ruang multivariat. Kandidat tersebut tidak dapat dijelaskan oleh satu peubah secara terpisah. Hasil penelitian menunjukkan bahwa ANR? dapat mengintegrasikan pemilihan neighborhood adaptif dengan informasi keterpencilan pada tingkat objek dan objek representative. Metode ini menunjukkan kinerja pemeringkatan outlier yang secara rata-rata lebih tinggi pada data referensi, meskipun tidak pada seluruh struktur data. Penerapan pada SUSENAS menunjukkan bahwa ANR? dapat digunakan sebagai kerangka screening untuk memprioritaskan rumah tangga dengan pola multivariat yang tidak biasa. Kandidat yang diperoleh dari data tanpa label tetap memerlukan penelaahan substantif dan tidak dapat langsung diperlakukan sebagai outlier terverifikasi.