MT - Mathematics and Natural Science

KARAKTERISASI MINERALOGI, ISOTERM, KINETIKA, DAN TERMODINAMIKA LDH MgAl/MgAlFe: STUDI ADSORPSI-DESORPSI Cr(VI) SEBAGAI MODEL APLIKASI

Thu, 01 Jan 2026 00:00:00 GMT

KARAKTERISASI MINERALOGI, ISOTERM, KINETIKA, DAN TERMODINAMIKA LDH MgAl/MgAlFe: STUDI ADSORPSI-DESORPSI Cr(VI) SEBAGAI MODEL APLIKASI Razaan, Naufal Pencemaran air oleh limbah logam khususnya kromium heksavalen (Cr(VI)), merupakan ancaman serius bagi lingkungan dan kesehatan makhluk hidup karena sifatnya yang beracun. Salah satu metode yang efektif dalam meremediasi Cr(VI) dari lingkungan perairan adalah metode adsorpsi menggunakan material Layered double hydroxide (LDH). Material LDH sendiri dipilih karena kapasitas adsorpsinya tinggi, proses yang mudah, dan memiliki kemampuan pertukaran ionnya yang baik. Untuk meningkatkan kinerja material LDH, penelitian ini memodifikasi LDH MgAl dengan menambahkan besi (Fe) menjadi LDH MgAlFe, dengan tujuan mengkaji perbedaan sifat mineralogi, mekanisme adsorpsi-desorpsi, dan kemampuan desorpsi kedua material tersebut. Sintesis material LDH MgAl dan MgAlFe berhasil dilakukan melalui metode kopresipitasi pada suasana basa. Karakterisasi menggunakan XRD, FTIR, dan SEM-EDX mengkonfirmasi terbentuknya struktur hidrotalsit, dimana pada LDH MgAlFe, penambahan besi membentuk fase amorf Fe2O3 di permukaan yang meningkatkan heterogenitas material. Kajian isoterm adsorpsi menunjukkan LDH MgAl mengikuti model Langmuir (monolayer), sedangkan LDH MgAlFe sesuai dengan model Freundlich (multilayer). Analisis kinetika orde dua semu mengindikasikan proses dikendalikan oleh interaksi kemisorpsi seperti pertukaran anion. Data energi aktivasi (E?) memberikan informasi tambahan, yaitu LDH MgAl memiliki E? 8,69 kJ.moL-1 karena permukaannya homogen sehingga Cr(VI) mudah terjerap, sementara LDH MgAlFe memiliki E? 15,70 kJ.moL-1 akibat adanya fase amorf Fe2O3 menghambat mekanisme pertuakran ion Cr(VI) pada fase interlayer LDH. Keberadaan Cr(VI) yang terjerap pada fase amorf Fe2O3 memiliki afinitas lemah menjadi kunci keunggulan LDH MgAlFe dalam regenerasi. Pada proses desorpsi menggunakan NaOH 1 M, LDH MgAlFe melepaskan 79,32% ion Cr(VI) yang terjerap, hasil ini lebih tinggi dibandingkan LDH MgAl yang hanya 74,47%. Hal ini membuktikan bahwa meskipun secara rata-rata membutuhkan energi aktivasi awal yang lebih tinggi, material termodifikasi besi justru lebih mudah diregenerasi karena sebagian Cr(VI) terjerap pada situs Fe2O3. Dengan demikian, penelitian ini menyimpulkan bahwa modifikasi LDH MgAl dengan besi berhasil menciptakan adsorben baru yang lebih efektif.

Model Matematis Premi Asuransi Jiwa Berjangka Joint Life dengan Ketidakbebasan Mortalitas, Inflasi, dan Suku Bunga

Thu, 01 Jan 2026 00:00:00 GMT

Model Matematis Premi Asuransi Jiwa Berjangka Joint Life dengan Ketidakbebasan Mortalitas, Inflasi, dan Suku Bunga Habel, Ine Febrianti Asuransi jiwa berjangka joint life adalah produk asuransi yang melindungi dua atau lebih orang, di mana manfaat dibayarkan saat kematian pertama terjadi dalam jangka waktu tertentu. Risiko kematian dalam produk asuransi jiwa joint life seringkali tidak saling bebas akibat adanya faktor bersama, seperti kesehatan, gaya hidup, atau lingkungan keluarga. Ketergantungan ini membuat penentuan premi lebih kompleks dibandingkan asuransi tunggal yang hanya menanggung satu orang. Pengabaian ketidakbebasan mortalitas dapat menghasilkan bias dalam perhitungan cadangan dan nilai kini manfaat yang berdampak pada perhitungan premi. Selain risiko mortalitas, penentuan premi asuransi jiwa sangat dipengaruhi oleh faktor ekonomi makro, terutama inflasi dan tingkat suku bunga. Inflasi dan tingkat suku bunga mempengaruhi permintaan terhadap asuransi jiwa yang secara tidak langsung mempengaruhi besar premi. Premi asuransi jiwa menurun saat suku bunga nominal meningkat, namun meningkat ketika pendapatan tertanggung diindeks terhadap inflasi. Fisher menghubungkan inflasi dan tingkat suku bunga melalui Persamaan Fisher. Penelitian terdahulu telah membahas faktor-faktor yang memengaruhi penentuan premi asuransi jiwa, namun sebagian besar masih memperlakukan aspek mortalitas dan ekonomi secara terpisah. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model matematis penentuan premi asuransi berjangka joint life dengan ketidakbebasan mortalitas yang memperhitungkan inflasi dan suku bunga serta melihat pengaruhnya terhadap besar premi. Penelitian ini menggunakan data sekunder berupa Tabel Mortalitas Indonesia IV tahun 2019. Tingkat bunga (??) yang digunakan sebesar 7% berdasarkan rata rata tingkat bunga BI rate 2015 hingga 2024, kemudian untuk mengkaji pengaruh perubahan suku bunga terhadap besar premi, dipilih ??1 < ?? dan ??2 > ?? yaitu ??1 = 6% dan ??2 = 8% dengan asumsi bunga konstan. Selanjutnya besar inflasi 3% berdasarkan rata-rata inflasi year on year tahun 2015 hingga 2024, dengan asumsi nilai inflasi konstan. Jangka waktu asuransi yaitu ?? =10 tahun. Penelitian ini dilakukan mulai bulan Mei 2025 hingga bulan Juni 2025. Ketidakbebasan mortalitas pasangan dimodelkan menggunakan jenis copula Archimedean yaitu copula Gumbel yang dipilih berdasarkan nilai Akaike Information Criterion (AIC) yang paling rendah, dimana menandakan kecocokan terbaik antara struktur ketergantungan yang dibangun dengan data observasi. Penentuan parameter ketergantungan menggunakan hubungan Kendall’tau dengan copula Archmedean. Manfaat asuransi sebesar 1 satuan dibayarkan segera pada saat kematian dan premi level tahunan dibayarkan pada setiap awal tahun sebesar 1 satuan. Hubungan antara inflasi dan tingkat suku bunga dihubungkan melalui Persamaan Fisher. Simulasi dilakukan pada tiga skenario usia pasangan yaitu usia suami dan istri sama, usia suami lebih tua lima tahun, dan usia istri lebih tua tiga tahun dengan usia suami 55 tahun hingga 65 tahun. Berdasarkan hasil penelitian, diperoleh nilai korelasi Kendall’s tau sebesar 0,8901 yang mengindikasikan adanya ketergantungan positif yang kuat antara mortalitas pasangan tertanggung. Selanjutnya, berdasarkan nilai tersebut, estimasi parameter pada copula Gumbel diperoleh sebesar ?? sebesar 9,0093. Hasil perhitungan tingkat suku bunga riil yang diperoleh dari hubungan inflasi dan tingkat suku bunga menggunakan Persamaan Fisher yaitu untuk ??1 = 6% tingkat bunga riil sebesar 2,91%, ?? = 7% tingkat bunga riil sebesar 3,88%, dan ??2 = 8% tingkat bunga riil sebesar 4,85%. Selanjutnya, hasil simulasi menunjukkan nilai premi asuransi jiwa berjangka joint life dengan ketidakbebasan menggunakan model copula Gumbel lebih rendah dibandingkan premi asuransi jiwa berjangka joint life denga kebebasan mortalitas pada seluruh skenario usia. Selain itu, baik pada model ketidakbebasan mortalitas maupun kebebasan mortalitas, premi tahunan yang disesuaikan inflasi konsisten lebih tinggi dibandingkan tidak disesuaikan inflasi. Hal ini disebabkan oleh meningkatnya nilai nominal manfaat yang akan dibayarkan di masa depan, serta menurunnya tingkat suku bunga riil akibat inflasi, menyebabkan nilai sekarang manfaat meningkat dan premi yang harus dibayarkan oleh pemegang polis menjadi lebih besar. Tingkat suku bunga memberi pengaruh berlawanan, semakin tinggi tingkat bunga, premi tahunan yang dihasilkan semakin rendah, sebaliknya, semakin rendah tingkat bunga, premi tahunan yang dihasilkan semakin tinggi. Secara keseluruhan, hasil penelitian ini menunjukkan bahwa model matematis asuransi jiwa berjangka joint life dengan memperhitungkan ketidakbebasan mortalitas serta mempertimbangkan pengaruh inflasi dan suku bunga menghasilkan estimasi premi yang berbeda dibandingkan dengan model yang mengasumsikan kebebasan mortalitas. Penggunaan copula Gumbel mampu merepresentasikan struktur ketergantungan positif yang kuat antar mortalitas pasangan tertanggung, sehingga peluang terjadinya kematian pertama dapat dimodelkan secara lebih memadai. Selain itu, hasil analisis menunjukkan bahwa faktor ekonomi makro, khususnya inflasi dan tingkat suku bunga, berperan dalam memengaruhi besarnya premi asuransi jiwa. Oleh karena itu, pengabaian ketidakbebasan mortalitas maupun faktor inflasi dan suku bunga berpotensi menghasilkan estimasi premi yang tidak mencerminkan karakteristik risiko secara menyeluruh. Dengan demikian, model yang mengintegrasikan ketidakbebasan mortalitas serta pengaruh inflasi dan tingkat suku bunga dapat dipertimbangkan sebagai pendekatan yang lebih komprehensif dalam penetapan premi asuransi jiwa berjangka joint life.; Joint-life term life insurance is an insurance contract that provides coverage for two or more individuals, under which the insurance benefit is payable upon the occurrence of the first death within a specified contractual term. In such products, mortality risks frequently exhibit dependence arising from shared characteristics, including common health conditions, lifestyle behaviors, and family or environmental factors. The presence of mortality dependence complicates the premium determination process relative to single-life insurance contracts, which involve only one insured individual. The neglect of mortality dependence may result in biased estimates of reserves and the present value of benefits, thereby affecting premium calculations. Consequently, it is essential to explicitly account for mortality dependence in life insurance modeling. In addition to mortality risk, the determination of life insurance premiums is substantially influenced by macroeconomic factors, particularly inflation and interest rates. These economic variables affect the demand for life insurance and, in turn, have an indirect impact on premium levels. Life insurance premiums tend to decrease as nominal interest rates increase, but increase when the insured’s income is indexed to inflation. Fisher relates inflation and interest rates through the Fisher equation. Previous studies have examined the factors influencing the determination of life insurance premiums; however, most of them still treat mortality and economic aspects separately. Therefore, this study aims to develop a mathematical model for pricing joint-life term life insurance with mortality dependence, incorporating inflation and interest rates, and to examine their effects on premium levels. This study employs secondary data in the form of the Indonesian Mortality Table IV (2019). The interest rate (??) applied in the premium calculation is set at 7%, based on the average BI rate over the period 2015–2024. Furthermore, to examine the impact of changes in the interest rate on the calculation results, sensitivity analysis is conducted by selectingnamely ??1 < ?? and ??2 > ??, with ??1 = 6% and ??2 = 8%, under the assumption of a constant interest rate. Furthermore, the inflation rate is set at ?? = 3%, based on the average year-on-year inflation over the period 2015–2024, assuming a constant inflation rate. The insurance term is specified as ?? = 10 years. This research was conducted from May 2025 to June 2025. The mortality dependence between spouses is modeled using an Archimedean copula, with the Gumbel copula selected based on the lowest Akaike Information Criterion (AIC) value, indicating the best fit between the constructed dependence structure and the observed data. The dependence parameter is estimated through the relationship between Kendall’s tau and the Archimedean copula. The insurance benefit, amounting to one unit, is paid immediately upon death, while annual premiums of one unit are payable at the beginning of each policy year in the form of an annuity-due. The relationship between inflation and interest rates is modeled through the Fisher equation. Simulations are conducted under three age scenarios for the insured spouses: equal ages for the husband and wife, the husband being five years older than the wife, and the wife being three years older than the husband, with the husband’s age ranging from 55 to 65 years. The results of the study indicate that Kendall’s tau for the Archimedean copula is 0.8901, suggesting a strong positive dependence between the mortalities the insured individuals. Furthermore, the estimated parameter of the Gumbel copula is ?? = 9.0093. Based on the Fisher equation relating inflation and interest rates, the calculated real interest rates are 2,91% for ??1 = 6%, 3,88% for ?? = 7%, and 4,85% for ??2 = 8%. Furthermore, the simulation results show that the premiums of joint-life term life insurance with mortality dependence modeled using the Gumbel copula are lower than those of joint-life term life insurance under the assumption of mortality independence across all age scenarios. Moreover, under both the mortality dependence and mortality independence models, annual premiums with inflation are consistently higher than those without inflation. This result is attributable to the increase in the nominal value of future benefit payments, as well as the reduction in the real interest rate due to inflation, which together raise the present value of benefits and, consequently, the premiums payable by policyholders. In contrast, interest rates exert an opposing effect: higher interest rates lead to lower annual premiums, whereas lower interest rates result in higher annual premiums. Overall, the results of this study indicate that the mathematical model for joint life term insurance, which accounts for mortality dependence and considers the effects of inflation and interest rates, produces premium estimates that differ from those obtained under the assumption of independent mortality. The use of the Gumbel copula is able to represent a strong positive dependence structure between the mortalities of the insured pair, thereby allowing the probability of first death to be modeled more appropriately. In addition, the analysis shows that macroeconomic factors, particularly inflation and interest rates, play a role in influencing the level of life insurance premiums. Therefore, neglecting mortality dependence as well as inflation and interest rate factors may lead to premium estimates that do not fully reflect the underlying risk characteristics. Consequently, a model that integrates mortality dependence along with the effects of inflation and interest rates may be considered a more comprehensive approach to pricing joint life term insurance premiums.

Diversitas Molekuler dan Aktivitas Antioksidan Aktinobakteri Asal Madu Lebah Apis cerana dan Heterotrigona itama

Thu, 01 Jan 2026 00:00:00 GMT

Diversitas Molekuler dan Aktivitas Antioksidan Aktinobakteri Asal Madu Lebah Apis cerana dan Heterotrigona itama Nurjanah Aktinobakteri merupakan salah satu filum bakteri terbesar yang banyak ditemukan di lingkungan terestrial dan akuatik. Aktinobakteri terbagi menjadi dua kelompok, yaitu Streptomyces dan non-Streptomyces. Streptomyces menyumbang sekitar 70–80% senyawa bioaktif dan 80% antibiotik komersial, serta memiliki kemampuan menghasilkan senyawa antioksidan. Non-Streptomyces merupakan genus yang relatif lebih sulit dikultur dan hanya dapat tumbuh pada kondisi yang menyerupai habitat aslinya. Madu merupakan salah satu habitat alami yang menarik untuk dieksplorasi keberadaan aktinobakteri. Madu memiliki pH yang asam, namun menunjukkan perbedaan dari segi rasa berdasarkan jenis lebah. Madu yang dihasilkan lebah Apis cerana memiliki rasa manis dan Heterotrigona itama memiliki rasa asam. Perbedaan rasa madu kemungkinan berpengaruh terhadap keragaman aktinobakteri yang hidup di dalam madu. Aktinobakteri telah ditemukan hidup di dalam madu dan memiliki aktivitas antibakteri. Namun aktivitas antioksidan dari isolat aktinobakteri asal madu masih belum diketahui. Selain itu, informasi mengenai aktinobakteri dari madu lebah A. cerana masih terbatas pada lokasi geografis yang dilakukan dan belum ada data aktinobakteri dari H. itama. Keragaman aktinobakteri yang sulit diisolasi maka perlu dianalisis dengan metabarcoding. Oleh karena itu, tujuan penelitian ini adalah (1) mengisolasi aktinobakteri dari madu lebah A. cerana dan H. itama, (2) menguji aktivitas antioksidan dari isolat aktinobakteri asal madu lebah A. cerana dan H. itama, dan (3) menganalisis keragaman aktinobakteri nonkultur dengan DNA metabarcoding. Madu lebah A. cerana dan H. itama dikoleksi dari tiga koloni yang hidup secara simpatrik di peternakan lebah di Desa Cijangkar Kec. Nyalindung Kab. Sukabumi. Peternakan lebah berada dalam kondisi alami yang berada jauh dari sumber polusi udara. Parameter fisikokimia madu yang diukur meliputi electric conductivity, total dissolved solids, pH, kadar air, dan suhu pada madu, serta warna madu. Parameter lingkungan yang juga diukur meliputi kelembapan, elevasi, suhu, intensitas cahaya, dan kecepatan angin. Selain itu, tumbuhan sekitar lokasi peternakan lebah diinventarisasi untuk mengetahui jenis tumbuhan yang menjadi sumber nektar dan mikroba. Isolasi aktinobakteri dari madu dilakukan menggunakan media International Streptomyces Project No.4 (ISP4) dan media Humic acid-Vitamin agar. Koloni aktinobakteri yang tumbuh dimurnikan pada media ISP4 dan dikarakterisasi menggunakan tiga jenis media berbeda, yaitu ISP2, ISP4, dan YSA. Isolat diremajakan pada media ISP4 dan diekstraksi DNA-nya. DNA hasil ekstraksi dikirimkan ke jasa sekuensing untuk identifikasi gen 16S rRNA isolat aktinobakteri. Produksi senyawa bioaktif dilakukan dengan pelarut etil asetat. Pengujian aktivitas antioksidan dilakukan dengan metode 2,2-diphenyl-1-picrylhydrazyl (DPPH). Analisis keragaman komunitas aktinobakteri dalam madu dilakukan dengan Next Generation Sequencing (NGS) berbasis gen 16S rRNA pada platform Oxford Nanopore Technologies (ONT). Hasil penelitian ini berhasil mengisolasi aktinobakteri dari madu sebanyak lima isolat. Dua isolat yaitu Ac2.1, Ac2.2 diisolasi dari madu lebah A. cerana dan tiga isolat yaitu Hi3.1, Hi3.2, dan Hi3.4 dikultur dari madu lebah H. itama. Kelima isolat didapatkan dengan metode pengayaan sebanyak empat isolat dan satu isolat dengan metode pengenceran. Isolat aktinobakteri ini memiliki karakterisasi yang sangat bervariasi berdasarkan warna miselium aerial dan miselium substrat pada tiga media berbeda. Kelima isolat memiliki dua tipe rantai spora, yaitu Rectiflexibiles dan Retinaculiaperti. Isolat aktinobakteri yang ditemukan termasuk bakteri Gram positif. Kelima isolat diidentifikasi ke dalam genus Streptomyces. Keberadaan Streptomyces di dalam madu didukung oleh data fisikokimia dari madu. Selain itu, kondisi fisikokimia madu lebah A. cerana yaitu pH 3,8-4,2, kadar air: 19,6-21,1%, EC: 0,34-0,79 mS/cm, TDS: 374-400 ppm dan suhu pada madu sekitar 28-30 ºC, serta madu berwarna kuning terang. Madu lebah H. itama memiliki fisikokimia, yaitu pH 3,3-3,9, kadar air: 25,6-30,2%, EC: 0,99-1,66 mS/cm, TDS: 494-831 ppm, suhu pada madu sekitar 29 ºC, serta madu memiliki warna kuning hingga kuning keemasan. Penelitian uji isolat aktinobakteri yang diperoleh menghasilkan aktivitas antioksidan. Kelima isolat Streptomyces dalam uji aktivitas antioksidan ditemukan satu isolat Streptomyces kode Hi3.1 memiliki aktivitas antioksidan (IC50 = 267.09 µg/mL). Sementara itu, dua isolat Streptomyces (Hi3.2 dan Hi3.4) dari madu lebah H. itama dan dua isolat (Ac2.1 dan Ac2.2) dari madu lebah A. cerana tidak memiliki aktivitas antioksidan. Keragaman aktinobakteri yang belum dapat dikultur dari kedua jenis madu berhasil dideteksi dengan metode metabarcoding gen 16S rRNA sebanyak 111 spesies aktinobakteri. Keragaman aktinobakteri pada madu lebah A. cerana ditemukan sebanyak 97 spesies, sedangkan pada madu lebah H. itama ditemukan 31 spesies aktinobakteri. Spesies aktinobakteri yang ditemukan pada kedua jenis madu sebanyak 17 spesies. Aktinobakteri yang banyak ditemukan di dalam madu yaitu kelompok non-Streptomyces dengan tiga genus yang memiliki kelimpahan tertinggi. Tiga genus yang terdeteksi yaitu Brevibacterium, Brachybacterium, dan Sinomonas yang ditemukan pada kedua jenis madu. Selain itu, kedua jenis madu juga banyak ditemukan genus-genus aktinobakteri dari kelompok non Streptomyces yang kelimpahannya sedang dan rendah. Genus Streptomyces ditemukan dengan kelimpahan sangat kecil pada madu, namun genus ini berhasil diisolasi, sedangkan genus dengan kelimpahan terbanyak masih belum bisa diisolasi menggunakan metode pengayaan dan pengenceran serta media HV dan ISP4. Hasil ini menunjukkan bahwa aktinobakteri banyak ditemukan di dalam madu, namun hanya sebagian kecil yang berhasil diisolasi dengan metode dan media yang digunakan. Aktinobakteri dari madu lebah A. cerana memiliki jumlah aktinobakteri yang lebih banyak dan lebih beragam dibandingkan dengan madu lebah H. itama. Aktinobakteri dideteksi sebanyak 12,17% hidup di dalam madu. Secara keseluruhan, kelompok non-Streptomyces ditemukan sebanyak 98,19% pada madu, sedangkan Streptomyces hanya 1,80% di dalam madu.; Actinobacteria are one of the largest bacterial phyla found in terrestrial and aquatic environments. They are generally divided into two groups: Streptomyces and non-Streptomyces. Streptomyces contributes approximately 70–80% of bioactive compounds and 80% of commercial antibiotics, and has the ability to produce antioxidant compounds. Non-Streptomyces genera are relatively more difficult to culture and can only grow in conditions that mimic their natural habitat. Honey is an interesting natural habitat for exploring the presence of actinobacteria. Honey has an acidic pH, but shows differences in taste depending on the type of bee. Honey produced by Apis cerana has a sweet taste, and Heterotrigona itama has a sour taste. Differences in honey taste are likely to influence the diversity of actinobacteria that live in honey. Actinobacteria isolated from honey have been reported to exhibit antibacterial activity. However, the antioxidant activity of actinobacterial isolates from honey remains unknown. The information regarding actinobacteria from A. cerana is still limited to the geographical location where it was carried out, and there is no actinobacterial data from H. itama. The difficult to isolate diversity of actinobacteria needs to be analyzed using DNA metabarcoding. Therefore, the objectives of this study were (1) to isolate actinobacteria from A. cerana and H. itama honey, (2) to test the antioxidant activity of actinobacterial isolates from A. cerana and H. itama honey, and (3) to analyze the diversity of culture-independent actinobacteria using DNA metabarcoding. Honey was collected from three colonies of A. cerana and H. itama bees each. The selected bee colonies came from the same farm (sympatric) and are located far from sources of air pollution, so the conditions remain natural. Physicochemical parameters of honey were measured, including electrical conductivity, total dissolved solids, pH, water content, and temperature in honey, as well as honey color data. Environmental parameters were also measured as supporting data, including humidity, elevation, temperature, light intensity, and wind speed. The plants around the bee farm were inventoried to identify those that serve as sources of nectar and microbes. Isolation of actinobacteria from honey was carried out using International Streptomyces Project No. 4 (ISP4) agar and Humic acid - Vitamin agar media. Actinobacterial colonies that grew were purified on ISP4 agar and characterized using three media: ISP2, ISP4, and YSA. Isolates were rejuvenated on ISP4 media, and their DNA was extracted. The extracted DNA was sent to a sequencing service for identification of the 16S rRNA gene of actinobacterial isolates. Production of bioactive compounds was carried out using ethyl acetate as a solvent. Antioxidant activity testing was carried out using the 2,2-diphenyl-1-picrylhydrazyl (DPPH) method. Analysis of the diversity of actinobacterial communities in honey was carried out using 16S rRNA gene-based Next Generation Sequencing (NGS) on the Oxford Nanopore Technologies (ONT) platform. This study successfully isolated five actinobacteria from honey. Two isolates, namely Ac2.1 and Ac2.2, were isolated from A. cerana honey, and three isolates, namely Hi3.1, Hi3.2, and Hi3.4, were cultured from H. itama honey. The five isolates were obtained by the enrichment method, with four isolates and one isolate by the dilution method. These actinobacterial isolates exhibit highly variable characteristics, including the color of aerial and substrate mycelia, across three media. The five isolates have two types of spore chains, namely Rectiflexibiles and Retinaculiaperti. The actinobacterial isolates found are Gram-positive bacteria. The five isolates were identified as the genus Streptomyces. Physicochemical data from honey support the presence of Streptomyces in honey. The physicochemical conditions of A. cerana bee honey are pH 3.8-4.2, water content: 19.6-21.1%, EC: 0.34-0.79 mS/cm, TDS: 374-400 ppm, and the temperature of the honey is around 28-30 ºC, and the honey is light amber. Heterotrigona itama bee honey has physicochemicals, namely pH 3.3-3.9, water content: 25.6-30.2%, EC: 0.99-1.66 mS/cm, TDS: 494-831 ppm, the temperature of the honey is around 29 ºC, and the honey has an extra light amber to amber color. The study of the actinobacterial isolates obtained showed antioxidant activity. In the antioxidant activity test, one Streptomyces isolate, code Hi3.1, had antioxidant activity (IC50 = 267.09 µg/mL). Meanwhile, two Streptomyces isolates (Hi3.2 and Hi3.4) from H. itama stingless bee honey and two isolates (Ac2.1 and Ac2.2) from A. cerana honey bee did not have antioxidant activity. The diversity of actinobacteria that could not be cultured in both types of honey was successfully detected by the 16S rRNA gene Metabarcoding method, as many as 111 actinobacterial species. Actinobacterial diversity in A. cerana honey was 97 species, while in H. itama honey, it was 31 species. A total of 17 actinobacterial species were found in both types of honey. The actinobacteria most abundant in the honey were non-Streptomyces species, with the three most abundant genera being Brevibacterium, Brachybacterium, and Sinomonas. Furthermore, non Streptomyces actinobacterial genera with moderate and low abundance were also found in both types of honey. Streptomyces was detected at very low abundance in honey. It was successfully isolated, whereas the most abundant genera could not be isolated using enrichment and dilution methods or HV and ISP4 media. These results indicate that actinobacteria are abundant in honey. However, only a small fraction can be successfully isolated using the applied methods and media. A. cerana honey had a greater number and diversity of actinobacteria than H. itama honey. Actinobacteria were detected in 12.17% of the honey samples. Overall, non-Streptomyces groups were found in 98.19% of the honey samples, while Streptomyces made up only 1.80% of the honey samples.

PREDIKSI CURAH HUJAN MUSIMAN DENGAN MACHINE LEARNING DI PAPUA

Thu, 01 Jan 2026 00:00:00 GMT

PREDIKSI CURAH HUJAN MUSIMAN DENGAN MACHINE LEARNING DI PAPUA Andika, Steven Cahya Papua merupakan wilayah di Indonesia yang rentan terhadap bencana hidrometeorologi, sehingga informasi prediksi hujan musiman yang akurat dan andal sangat dibutuhkan. Penelitian ini bertujuan untuk 1) mengevaluasi performa prediksi hujan musiman dari Seasonal Forecast Sistem 5 (SEAS5) European Centre for Medium-Range Weather Forecasts (ECMWF), 2) menilai kemampuan model machine learning (ML) dalam meningkatkan kualitas prediksi hujan musiman di Papua, serta 3) mengaplikasikan model ML terbaik untuk perbaikan prediksi. Metode ML yang digunakan meliputi ElasticNet (ENet), Support Vector Machine (SVM), Random Forest (RF), dan Extreme Gradient Boosting (XGB), dengan model regresi linier (LR) sebagai acuan. Luaran hindcast SEAS5 digunakan sebagai prediktor, dengan seleksi prediktor iklim lokal dan global dilakukan secara objektif menggunakan konsensus Lasso dan RF. Hasil evaluasi beberapa metrik, yakni mean error (ME), koefisien korelasi (Corr), root mean square error (RMSE), dan Kling-Gupta Efficiency (KGE), menunjukkan bahwa model mentah (Raw) SEAS5 memiliki keterbatasan yang signifikan dalam merepresentasikan hujan musiman di Papua, ditandai oleh kecenderungan bias basah pada periode MAM, SON, dan DJF, RMSE yang tinggi (hingga 103,9 mm), serta nilai KGE rendah atau negatif, terutama di wilayah pegunungan. Performa Raw SEAS5 relatif lebih baik pada JJA dan SON, namun menurun tajam pada DJF dengan Corr yang bahkan bernilai negatif di beberapa lokasi. Model LR mampu memperbaiki performa Raw SEAS5 dan digunakan sebagai benchmark untuk mengevaluasi peningkatan relatif model ML. Model ML yang dioptimasi secara gridwise menunjukkan peningkatan performa yang konsisten dibandingkan Raw SEAS5, dengan penurunan RMSE menjadi 33,7–48,3 mm, bias mendekati nol, serta peningkatan nilai KGE menjadi 0.15 s.d. 0.23 di Papua. Secara musiman, model ML unggul pada periode MAM, JJA, dan DJF, sementara pada SON model LR menunjukkan performa yang lebih baik di banyak lokasi. Secara keseluruhan, XGB dan SVM merupakan model dengan performa terbaik, dengan XGB menempati peringkat KGE tertinggi pada 62,5% lokasi. Hasil ini menunjukkan bahwa pendekatan machine learning yang teroptimasi berpotensi menjadi solusi efektif untuk meningkatkan kualitas prediksi hujan musiman di Papua, meskipun tantangan masih tersisa pada musim basah dan wilayah bertopografi kompleks.