Kanker adalah salah satu penyebab kematian terbesar di dunia. Berdasarkan data dari IARC (International Agency for Research on Cancer) pada tahun 2020, jumlah penderita kanker di dunia telah meningkat hingga 19.3 juta penderita dengan 9.9 juta kematian. Salah satu penyebab tingginya angka kematian dari penderitakanker adalah karena keterlambatan diagnosa terhadap pasien kanker tersebut. Oleh karena itu, deteksi dini pada penyakit kanker ini sangat diperlukan. Microarray data digunakan sebagai kanker detektor dengan analisis dari ekspresi gen dari pasien yang terkena kanker. Namun, microarray data ini memiliki masalah utama, yaitu adanya masalah curse of dimensionality. Oleh karena itu, penelitian-penelitian pada microarray data berfokus terhadap reduksi dimensi dari microarray data, sehingga dapat dilakukan proses klasifikasi dengan akurasi yang lebih tinggi. Tujuan dari penelitian ini adalah untuk melakukan pendekatan baru untuk meningkatkan akurasi dari sistem deteksi kanker, dengan menggunakan metode hybrid dengan mengkombinasikan mRMR dengan metode seleksi fitur lainnya, dengan menggunakan two-stage feature selection. Adapun pengembangan metode yang dilakukan dalam penelitian ini bertujuan agar proses seleksi fitur dapat memilih fitur dan menghasilkan subset fitur yang relevan dengan lebih baik, dibandingkan dengan metode mRMR biasa. Hal ini bertujuan agar proses klasifikasi dapat menghasilkan akurasi yang lebih tinggi, namun dengan waktu komputasi yang efisien.

Masalah konsumsi energi di jaringan sensor, mendorong para peneliti dunia di bidang Cyber Physical System (CPS) untuk menawarkan solusi. Beberapa jurnal terakhir, masalah ini diselesaikan dengan memanfaatkan algoritma berupa machine learning, artificial intelligent dan lainnya, tentunya dengan akses komputasi yang memadai. Dengan demikian para peneliti berkesempatan untuk melakukan penelitian dalam hal peningkatan unjuk kerja jaringan sensor dengan jumlah sensor yang banyak melalui modifikasi atau penemuan algoritma baru. Penggunaan neural network di WSN adalah bidang penelitian yang relatif baru dan aktif. Perkembangan penelitian terkait WSN muncul setiap saat. Pada penelitian ini yang menjadi research question adalah: 1. Bagaimana menentukan teknik/protokol wsn yang akan dijadikan pijakan penelitian? 2. Bagaimana melakukan optimalisasi konsumsi energi pada wsn dengan teknik swarm dan machine learning? 3. Bagaimana membuat model machine learning Neural network yang adaptif terhadap penambahan node sensor?. Peneliti bertujuan untuk melatih model neural network menggunakan data yang dihasilkan oleh protokol LEACH, dan model yang dibangun berpotensi bekerja lebih baik daripada protokol LEACH dalam beberapa skenario. Neural network dapat belajar dari data yang dihasilkan oleh protokol LEACH untuk mengidentifikasi pola dan membuat prediksi cluster head dan alokasi sumber daya yang optimal. Jika model dilatih dengan kumpulan data yang besar dan beragam, model tersebut dapat menggeneralisasi dengan baik ke situasi baru dan berpotensi membuat keputusan yang lebih baik daripada protokol LEACH. Model neural network akan bergantung pada kualitas data yang digunakan untuk melatih model, arsitektur, dan detail implementasi spesifik jaringan.

Dengan disahkannya Undang-Undang no 27 Tahun 2022 tentang Perlindungan Data Pribadi di Indonesia, muncul berbagai kewajiban baik dari sisi legal maupun sisi teknis bagi seluruh pihak yang terlibat dalam pengelolaan Data Pribadi untuk menjamin pelindungan Data Pribadi penduduk Indonesia. Salah satu diantaranya tercantum dalam pasal 34, dimana pengendali Data Pribadi diharuskan untuk melakukan proses Penilaian Dampak Pelindungan Data Pribadi dalam hal pemrosesan Data Pribadi dengan potensi risiko tinggi. Namun hingga saat ini belum terdapat panduan atau pedoman yang jelas, yang dapat digunakan untuk melaksanakan kewajiban Penilaian Dampak ini. Berangkat dari hal tersebut penelitian ini dirumuskan dengan tujuan untuk mengkaji dan merumuskan ketentuan baru tersebut secara mendalam serta menelaah kebutuhan teknis untuk kesuksesan dalam implementasinya di indonesia. Hasil akhir Penelitian ini diharapkan dapat mengusulkan kerangka kerja (framework) Penilaian Dampak Pelindungan Data Pribadi yang sesuai dengan koridor yang ditetapkan dalam Undang-undang Pelindungan Data Pribadi di Indonesia dengan tetap menjaga aspek keamanan informasi ,khususnya Data Pribadi. Hasil dari penelitian ini diharapkan dapat menjadi masukan yang bermanfaat bagi pihak terkait dalam proses Pelindungan Data Pribadi khususnya di Indonesia.

Kehilangan data merupakan sebuah permasalahan yang harus ditangani saat akan melakukan pemrosesan data. Saat ini, telah banyak metode yang dapat digunakan untuk mengatasi permasalahan data yang tidak lengkap. Salah satu sistem yang kerap memberikan data yang tidak lengkap adalah sistem berbasis Internet of Things (IoT) yang diakibatkan oleh beberapa faktor seperti gangguan jaringan, kesalahan pengukuran sensor, dan pengaruh lingkungan sekitar. Metode yang digunakan untuk mengatasi missing value pada live data tentu berbeda dengan big data. Live data yang memiliki pergerakan yang cepat menuntut proses yang dilakukan harus cepat pula. Di sisi lain, pemrosesan data live membutuhkan teknik window untuk memisahkan data menjadi bagian-bagian kecil data. Karenanya, perlu sebuah metode yang dapat menangani missing value pada live data dengan cepat dan akurat. MILI-UD (Multiple Imputation with Lagrange Interpolation for Univariate Data) adalah metode yang dibangun untuk mengatasi permasalahan tersebut. MILI-UD berfokus pada data univariate yang merupakan studi kasus yang diangkat pada penelitian ini. Pada uji cobanya, MILI-UD mampu memberikan hasil yang baik jika dibandingkan dengan metode lainnya seperti moving average dan moving median untuk mengimputasi data univariate live stream

Model berbasis KNN merupakan model machine learning yang secara akurasi dan keterjelasan berpotensi untuk dikembangkan akurasinya. Selama proses perbaikan akurasi yang dilakukan tidak mengubah konsep dasar proses pengambilan keputusan model KNN yang berlandaskan pada konsep kedekatan / kemiripan data, keterjelasan model KNN tidak akan mengalami penurunan. Salah satu cara yang dapat digunakan untuk meningkatkan akurasi model KNN adalah dengan menghilangkan data-data / impuritas di dalam kelas yang dipengaruhi / menjadi tetangga terdekat dari data pada kelas lain. Penelitian ini akan mengembangkan algoritma Prototype Selection yang akan mengeliminasi impuritas / contaminated voters kelas dari dataset. Penggabungan algoritma tersebut dengan model berbasis KNN yang dipilih kemudian disebut sebagai model UVNN (Uncontaminated Voters Nearest Neighbor)

Metode tradisional untuk mengklasifikasikan WBC melibatkan analisis manual oleh ahli patologi menggunakan mikroskop, yang dapat memakan waktu dan terbatas oleh keahlian manusia. Penelitian ini bertujuan untuk mendapatkan pemahaman yang lebih mendalam tentang manfaat dan kendala dari metode yang digunakan untuk mengenali dan mengklasifikasi tipe WBC. Metrik kinerja yang digunakan adalah presisi, recall, dan f1-score. Hasilnya menunjukkan kinerja YOLOv8 lebih unggul, dengan tingkat presisi 93% untuk limfosit, 95% untuk neutrofil, dan 100% untuk jenis WBC lainnya. Sebaliknya, presisi DeTR tidak melebihi 30% untuk sebagian besar tipe WBC, kecuali 60% untuk limfosit. Pada penelitian-penelitian sebelumnya telah menerapkan YOLO dan DeTR pada gambar medis, termasuk beberapa penelitian untuk mendeteksi objek pada WBC. Namun, perbandingan kinerja langsung dalam mengklasifikasikan WBC belum sepenuhnya dieksplorasi. Studi untuk melihat kinerja DeTR pada dataset yang lebih luas dan seimbang di berbagai jenis WBC membutuhkan lebih banyak eksplorasi.

Penerapan Recommender System (RSs) dalam layanan internet telah banyak membantu individu dan organisasi termasuk instansi pemerintah dalam menyajikan informasi sesuai preferensinya masing-masing. Banyak penelitian yang telah menginvestigasi hal ini, namun dari literature review yang telah dilakukan, masih terdapat gap penerapan RSs pada area pengadaan barang dan jasa (eProcurement), khususnya di instansi pemerintah. Sebagian besar penelitian RSs yang ada berfokus pada domain umum seperti domain e-commerce dan entertainment yang memiliki sifat mengabaikan karakteristik unik terkait peraturan, dan kebutuhan pemangku kepentingan yang terlibat dalam e-Procurement pemerintah. Beberapa gap penelitian tersebut adalah: Pertama, kurangnya real dataset e-Procurement. Kedua, terbatasnya jumlah penelitian yang melibatkan RSs dalam lingkungan e-Procurement pemerintah. Ketiga, terbatasnya penelitian yang menerapkan ontology sebagai representasi pengetahuan yang bersumber dari regulasi pemerintah dalam penerapan RSs bagi e-Procurement pemerintah. Salah satu peluang peningkatan layanan eProcuremnent sebagai salah satu bentuk layanan Sistem Pemerintah Berbasis Elektronik (SPBE), khususnya penggunaan layanan e-Katalog 5.0 di Indonesia, adalah dengan memanfaatkan paradigma hybrid RSs dalam layanan yang dikelola oleh LKPP tersebut. Penelitian ini dilakukan untuk menerapkan paradigma hybrid RSs yang dipersonalisasi dengan mempertimbangkan faktor-faktor seperti peraturan pemerintah, kinerja penyedia, dan persyaratan regulasi pengadaan barang dan jasa di Indonesia. Oleh karena itu, penelitian ini bertujuan untuk (i) mengembangkan dataset e-Procurement di Indonesia (ii), mengembangkan metode yang dapat meningkatkan akurasi rekomendasi penyedia barang dan jasa dalam e-Procurement di Indonesia, dan (iii) mengembangkan prototipe aplikasi web e-Procurement berbasis pengetahuan dengan menggunakan paradigma hybrid RSs yang menggabungkan paradigma Collaborative Filtering (CF) dengan Conversational RSs (CRS) ditambahkan juga dengan paradigma lain seperti, Demographic agar model yang dihasilkan dapat memberikan hasil rekomendasi yang lebih akurat dan komprehensif

Cued speech merupakan suatu isyarat gerakan tangan untuk melengkapi membaca ujaran (speechreading). Cued Speech merupakan sebuah system sosial komunikasi yang digunakan oleh orang tunarungu. Cued Speech merupakan sebuah system berbasis fonemik yang membuat bahasa lisan tradisional dapat diakses dengan menggunakan sejumlah kecil bentuk tangan, yang dikenal sebagai isyarat (mewakili konsonan), di lokasi yang berbeda di dekat mulut (mewakili vokal) untuk menyampaikan bahasa lisan dalam format visual. Tujuan dari Cued Speech adalah untuk mengatasi masalah membaca bibir dan membantu anak-anak dan orang dewasa tunarungu untuk memahami bahasa lisan sepenuhnya. Pengenalan Cued Speech otomatis dapat membantu komunikasi antara penyandang tunarungu dan orang lain. Terdapat masalah dalam pengenalan Cued Speech otomatis diantaranya akurasi deteksi posisi tangan masih perlu untuk ditingkatkan, sinkronisasi gerakan tangan dan bentuk bibir masih bermasalah. Selain itu masih terdapat masalah mengenai kelangkaan dataset, dimana para peneliti masih banyak menggunakan dataset French Cued Speech dan British Cued Speech. Hal tersebut merupakan masalah menantang untuk dilakukan penelitian. Tujuan penelitian ini diantaranya mengembangkan dataset Indonesian Cued Speech, mengembangkan metode pengenalan Cued Speech untuk meningkatkan akurasi deteksi, mengembangkan metode sinkronisasi gerakan tangan dan bibir dalam Cued Speech. Dalam pengenalan otomatis Cued Speech, diperlukan pengenalan bentuk bibir, posisi tangan dan gerakan tangan, dan integrasi ketiga bagian tersebut sangat penting. Dalam penelitian ini, komponen bentuk bibir digabungkan dengan komponen tangan untuk mewujudkan sinkronisasi pengenalan Cued Speech. Hasil sementara di seminar kemajuan 1 adalah adanya sebuah dataset Indonesian Cued Speech dan pengimplementasian metode convolutional neural network (CNN) dengan arsitektur MobileNet.

Indoor tag positioning adalah suatu proses mengestimasi posisi suatu tag yang terpasang pada objek seperti telefon genggam, jam (wearable device), robot, drone, dan asset. Tag adalah suatu divais yang memancarkan sinyal atau pesan untuk ditangkap oleh anchor untuk kemudian dilakukan estimasi jarak antara tag dan anchor berbasis komputasi geometri. Anchor adalah divais yang memiliki pengetahuan posisi atau diinstalasi modul sensor posisi untuk membantu komputasi estimasi posisi tag. Masalah utama pada indoor positioning adalah karakteristik area yang kompleks karena terdapatnya berbagai halangan yang dapat mengurangi akurasi positioning. Keadaan ini menyebabkan kondisi NLOS yaitu sinyal mengalami atenuasi akibat dari refraksi melewati material halangan dan menyebabkan fading/pantulan yang menyebabkan kondisi multipath.

Pembuatan dataset dilakukan berdasarkan scenario LOS, NLOS dan Multipath. Dataset yang dibangun digunakan untuk melatih model prediksi klasifikasi LOS, NLOS dan multipath. Model di evaluasi dan diuji dengan menggunakan dataset tes yang diambil pada ruangan yang berbeda (worst case). Hasil training dan validasi menunjukkan Random Forest merupakan ML classifier yang memberikan akurasi terbaik. Namun pada saat dilakukan pengujian model dengan menggunakan dataset tes ruangan lainnya, akurasi yang diperoleh cukup rendah. Hal ini menunjukkan bahwa dataset hanya dapat digunakan pada ruangan dengan karakteristik yang sesuai atau mendekati ruangan tempat pengukuran dataset.

Sejak tahun 2015 pertumbuhan Internet of Things(IoT) semakin meningkat, diprediksikan pada tahun 2025 jumlah total perangkat yang terhubung dengan IoT akan menjadi sekitar 75,44 miliar. Seiring dengan pertumbuhan penggunaan IoT, peluang terjadinya kejahatan yang melibatkan perangkat IoT dapat terus meningkat dan itu menjadi suatu tantangan tersendiri pada penggunaan IoT. Munculnya teknologi baru di berbagai bidang ternyata juga membawa tantangan dalam bidang penyelidikan forensik. Penyidik forensik menghadapi banyak tantangan dalam mengumpulkan bukti dari komponen yang terinfeksi pada perangkat IoT dan lainnya. Pada tahap analisa log file akan dilakukan pengecekan, log file akan diperiksa satu per satu untuk mengetahui perubahan jaringan dan melihat timestamp. Tahapan dari digital forensics terdiri dari identification, collection, examination, analysis dan report. Diperlukan suatu algoritma machine learning yang harus diterapkan untuk proses investigasi pada layanan IoT guna mempermudah proses investigasi. Selanjutnya algoritma machine learning yang diterapkan dapat mencari, mendeteksi serta mengetahui lokasi potensi digital evidence dan mempermudah proses analisa dan klasifikasi digital evidence pada perangkat IoT yang terhubung pada EcoSystem IoT dengan lebih cepat tanpa ada keterlibatan manusia

Respon terhadap komentar/postingan di suatu media sosial perlu dilakukan secara cepat dan seefektif mungkin. Hal ini akan meningkatkan citra akun media sosial dan mengantisipasi resiko postingan yang viral secara negatif. Komunikasi responder juga dapat dipakai untuk mempengaruhi pendapat orang yang merespon suatu komentar/postingan di suatu media sosial untuk kepentingan tertentu, misalnya, mempengaruhi calon pemilihan presiden ataupun calon legislatif, mempengaruhi calon pelanggan, meredam kekecewaan pelanggan dst. Komunikasi yang efektif memerlukan pengetahuan akan emosi dan kepribadian pihak pelanggan.
Penelitian cara komunikasi antara mesin/komputer dengan manusia melalui media social saat ini baru sebatas analisa sentimen komentar atau mengetahui emosi suatu komentar ataupun meneliti kepribadian dari teks komentar. Belum ada penelitian yang membahas bagaimana mengetahui emosi dan kepribadian seseorang dari teks komentar media sosial.
Penelitian ini bertujuan untuk mengembangkan sebuah model autoresponder di media sosial yang berbasis pada deteksi emosi dan kepribadian dari teks postingan atau komentar. Model ini diharapkan dapat memberikan tanggapan yang lebih tepat dan efektif dalam real-time, 24/7. Sudah banyak penelitian deteksi emosi dan deteksi kepribadian berbasis teks, tetapi kebanyakan deteksi secara terpisah baik emosi maupun kepribadian. Penelitian ini akan mempergunakan pembelajaran mesin untuk mendeteksi berbagai jenis emosi (seperti bahagia, sedih, marah, dll.) dan tipe kepribadian dari teks secara simultan. Hasil penelitian ini akan diintegrasikan ke dalam sistem autoresponder media sosial untuk memberikan tanggapan yang lebih personal dan efektif. Langkah pertama adalah mengumpulkan dataset dari berbagai sumber media sosial. Kemudian, kami melakukan pra-pemrosesan data dan ekstraksi fitur yang relevan. Setelah itu, model dibangun dan dilatih menggunakan algoritma pembelajaran mesin. Evaluasi dilakukan menggunakan metrik seperti akurasi, presisi, dan recall untuk menilai efektivitas model.

Penerapan Artificial Intelligence (AI) menunjukan peningkatan minat yang signifikan, khususnya untuk BFSI (Banking, Financial Services and Insurance). Namun masih terdapat penolakan terhhadap AI dari pemangku kepentingan dikarenakan luaran AI tersebut belum dapat dijelaskan dengan baik. Explainable Artificial Intelligence (XAI) menjadi suatu solusi untuk meningkatkan tingkat keterjelasan luaran yang dihasilkan oleh AI yang masih dianggap sebagai blackbox. AI khususnya untuk layanan keuangan masih belum diterapkan dengan baik dikarenakan beberapa faktor, diantaranya kejelasan regulasi terutama dari pemerintah, kurangnya standar yang bisa dijadikan sebagai acuan dan tekanan yang diberikan pemangku kepentingan kepada pengembang aplikasi.. Oleh karena itu perlukan suatu model framework sebagai panduan bagi tim pengembang dalam mengembangkan aplikasi AI pada layanan keuangan sesuai kebutuhan pemangku kepentingan.   

 Terkait hal tersebut dilakukan Systematic Mapping Study (SMS) untuk mengidentifikasi keterkaitan serta tren area topik penelitian. Berdasarkan hasil SMS, terdapat keterkaitan antara layanan keuangan dengan XAI serta kecenderungan peningkatan minat penelitian pada area tersebut. Selanjutnya dilakukan Systematic Literature Review (SLR) untuk mengetahui perkembangan dan isu yang berkaitan dengan topik penelitian. Berdasarkan hasil SLR dapat diidentifikasi potensi gap serta taksonomi penelitian. Hasil SLR menunjukan bahwa framework XAI untuk layanan keuangan masih minim dan terbatas pada demografi tertentu. Sehingga, memingkinkan untuk mengusulkan suatu model framework XAI pada layanan keuangan. 

Area riset pada prediksi kinerja siswa memungkinkan pendidik untuk mengidentifikasi siswa yang beresiko sehingga dapat mengambil tindakan pencegahan atau intervensi lebih awal dalam menanganinya. Banyak penelitian mampu melakukan prediksi secara akurat, namun penjelasan detil tentang apa yang menyebabkan dan bagaimana interpretasi hasil prediksi menjadi sulit untuk dijelaskan karena artitektur machine learning yang digunakan bersifat black box. Beberapa penelitian sudah mulai menerapkan explanable artificial intelligence untuk memberikan penjelasan terhadap hasil prediksi. Sebelum melakukan penelitian pada topik ini, perlu dilakukan observasi lebih dalam mengenai perkembangan penelitian pada area topik tersebut. Proses systematic mapping study (SMS) dilakukan untuk melakukan observasi secara kuantitatif untuk mengetahu area topik penelitian meliputi perkembangan topik penelitian pada area tersebut serta tren dari penelitian. Hasil dari SMS menunjukkan bahwa prediksi kinerja siswa menggunakan explainable artificil intelligence merupakan salah satu topik yang memiliki tren meningkat. Selanjutnya dilakukan proses Systematic Literature Review/SLR yaitu melakukan literasi paper hasil dari SMS untuk mengetahui issu dan method terkait dan mencari kelemahan yang bisa menjadi celah penelitian. Hasil dari SLR diperoleh adanya potensi gap pada perspektif feature atau faktor prediksi serta metode explainability yang masih memungkinkan untuk dielaborasi lebih jauh sebagai langkah awal penelitian di bidang ini.

Saat ini penggunaan aplikasi berbasis Machine Learning (ML) semakin meningkat di berbagai bidang, salah satunya di bidang keuangan. Dalam bidang yang bersifat critical seperti keuangan, aplikasi ML dituntut memiliki kualitas yang tinggi, termasuk kepatuhan terhadap regulasi. Hal ini diperlukan untuk melindungi kerugian pada customer dan meminimalisir terjadinya financial losses. Proses yang paling utama dalam ML Life Cycle adalah proses pembangunan model ML. Untuk memastikan kualitas model ML yang dihasilkan, dibutuhkan aktivitas Quality Assurance (QA) pada proses pembangunan modelnya. Penelitian sebelumnya terkait QA pada tahap pembangunan model masih kurang efektif, seperti kurangnya panduan QA, proses quality task yang kurang jelas, hingga kurangnya standar pelaporan performansi model untuk kebutuhan komparasi model yang akan digunakan. Penelitian ini bertujuan untuk membangun panduan QA framework yang lebih efektif pada tahap pembangunan model dalam ML Life Cycle, terutama dalam bidang keuangan. Penelitian ini mengkolaborasikan pengetahuan dari ahli dalam bidang Software Engineering dan ML serta praktisi pengembang aplikasi ML melalui kuesioner, wawancara maupun FGD (Forum Group Discussion) untuk mengidentifikasi faktor-faktor yang berpengaruh pada proses pembangunan aplikasi ML dan studi literatur terkait serta melakukan validasi. Faktor-faktor tersebut kemudian dianalisis untuk menjadi dasar pembangunan framework QA. Agar framework QA yang dibangun dapat lebih efektif, akan dilakukan ekperimen untuk menguji framework tersebut dengan menggunakan skema pilot project dan melibatkan tim pengembang. Feedback yang diperoleh dari hasil ekperimen tersebut akan menjadi dasar untuk perbaikan framework.

Bundle adalah kumpulan beberapa item yang memiliki keterkaitan sebagai satu paket. Bundle Recommender System adalah sistem yang mampu mengidentifikasi dan membuat bundle, untuk kemudian direkomendasikan kepada pengguna. Bentuk bundle disini ada berbagai macam, seperti kumpulan produk yang terbentuk karena sering dibeli bersama, kumpulan musik yang sering didengar dalam waktu yang dekat, dan kumpulan video yang ditonton karena ceritanya yang berkelanjutan seperti satu series. Identifikasi item yang memiliki korelasi tinggi adalah langkah awal yang penting dalam Automatic Bundle Creation, namun penelitian yang ada seringkali hanya memanfaatkan constraint factors dalam domain yang menyebabkan kurangnya variasi pilihan item yang bahkan dapat menyebabkan pengguna menjadi tidak tertarik, sehingga diperlukan faktor lain yang dapat menjadi alternative dan menguatkan faktor yang sudah ada, kami melihat faktor ini dapat digali dari beberapa sumber dimana salah satunya adalah atribut dari item. Pendekatan seperti Feature Engineering sebagai Data Extraction yang mampu mengekstrak data abstrak seperti teks deskripsi dan metadata dapat digunakan untuk menggali faktor dari atribut, namun pendekatan ini sering diabaikan. Large language model (LLM) sebagai model bahasa yang telah dilatih dengan data skala besar dan beragam telah terbukti sangat baik dalam berbagai task bawaan Natural Language Processing (NLP) dimana salah satunya adalah Data Extraction pada data teks seperti deskripsi pada atribut item, kami melihat peluang untuk memanfaatkan LLM untuk digunakan sebagai alat Feature Engineering baru untuk menggali hidden factors dari atribut. Oleh karena itu penelitian ini akan melakukan studi pustaka terkait dengan Automatic Bundle Creation yang memanfaatkan hidden factors dari atribut item yang didapatkan dari penggunaan LLM sebagai alat Feature Engineering baru.

Penelitian ini berfokus pada pengembangan model diagnosis kognitif untuk prediksi kemampuan belajar siswa dalam Intelligent Tutoring Systems. Model ini bertujuan untuk memahami kondisi kognitif siswa dan memprediksi kemampuan belajar. Penelitian ini juga berupaya untuk mengatasi masalah motivasi belajar di kelas, seperti ketidakfokusan, kurangnya ketepatan dalam menyelesaikan tugas, dan ketidakberdayaan dalam menghadapi rintangan. Penelitian ini memanfaatkan pendekatan sistematis mapping study (SMS) dan systematic literature review (SLR) untuk mengumpulkan dan menganalisis data terkait dengan area riset. Hasil analisis menunjukkan bahwa topik model diagnosis kognitif dalam intelligent tutoring system masih menarik untuk diteliti. Penelitian ini Menggunakan Model Neuro Cognitive Diagnostic dengan mempertimbangkan data proses seperti menyeleksi tingkat kesulitan soal dan mengintegrasikan dengan Intelligent Tutoring Systems. Dengan demikian, penelitian ini berharap dapat mengembangkan model diagnosis kognitif yang lebih efektif dan personal untuk memprediksi kemampuan belajar siswa dalam Intelligent Tutoring Systems

Secara otomatis menyelesaikan permasalahan matematika dalam bentuk cerita merupakan topik penelitian yang menarik dalam bidang pemrosesan bahasa alami, pembelajaran mesin, dan teknologi pembelajaran, yang telah mendapatkan perhatian lebih dalam beberapa tahun terakhir. Penerapan algoritma untuk menyelesaikan permasalahan matematika dalam bentuk cerita dapat meningkatkan efektivitas sistem pembelajaran, seperti sistem e-learning atau blended learning. Tujuan dari penelitian ini adalah untuk memberikan kontribusi dalam pengembangan sistem pembelajaran, khususnya dalam otomatisasi penyelesaian permasalahan matematika dalam bentuk cerita aritmatika. Fokus penelitian ini adalah pada permasalahan aritmatika yang melibatkan persamaan tunggal dengan operasi tunggal. Metode yang digunakan dalam penelitian ini adalah gabungan antara pendekatan berbasis pembelajaran mesin (klasifikasi) dan pendekatan berbasis aturan. Penelitian ini akan dimulai dengan klasifikasi permasalahan matematika dalam bentuk cerita ke dalam empat kategori, yaitu perubahan, perbandingan, penggabungan, dan perkalian-pembagian, serta subkategori yang relevan. Selanjutnya, dilakukan klasifikasi operasi aritmatika seperti penambahan, pengurangan, perkalian, dan pembagian, yang berkaitan dengan subkategori yang berbeda. Langkah-langkah penelitian secara umum mencakup proses input permasalahan matematika dalam bentuk cerita, prediksi kategori dan subkategori, prediksi operasi aritmatika, identifikasi dan pengambilan informasi yang relevan dari permasalahan, perumusan dan evaluasi ekspresi matematika untuk mendapatkan jawaban akhir.

Secara khusus, penelitian ini menyoroti gap dalam penerapan pemrosesan bahasa alami untuk kontekstualisasi dan penyelesaian permasalahan cerita aritmatika dalam bahasa Indonesia dengan menggunakan dataset berskala besar yang belum tersedia. Meskipun telah ada upaya untuk mengembangkan model untuk menyelesaikan permasalahan cerita aritmatika, namun kebanyakan dari penelitian tersebut berfokus pada bahasa Inggris atau bahasa-bahasa lain dengan sumber daya yang melimpah. Keterbatasan dataset dalam bahasa Indonesia yang mencakup variasi luas dari konteks cerita aritmatika menjadi kendala utama dalam pengembangan model yang efektif dan relevan bagi pembelajaran di lingkungan bahasa Indonesia. Oleh karena itu, penelitian ini diharapkan dapat mengisi celah ini dengan mengembangkan dataset yang kaya dan representatif dalam bahasa Indonesia serta menyelidiki pendekatan pemrosesan bahasa alami yang memperhitungkan konteks budaya dan linguistik yang unik dalam penyelesaian permasalahan cerita aritmatika. Dengan demikian, penelitian ini diharapkan dapat menyumbangkan pengetahuan baru dan solusi yang inovatif dalam domain pembelajaran matematika berbasis bahasa Indonesia.

Tubuh manusia terdiri dari berbagai sistem organ yang saling membutuhkan. Sistem organ adalah kumpulan organ yang saling bekerjasama menjalankan suatu fungsi. Contoh, sistem pencernaan, sistem saraf, dan sistem pernapasan. Sistem pernapasan terdiri dari saluran napas, parenkim paru, dan pompa ventilasi. Sistem ini berfungsi mengantarkan oksigen dari atmosfir ke jaringan tubuh dan membuang karbon dioksida sebagai sisa metabolisme. Penyakit pada sistem pernapasan masuk sebagai penyebab kematian tertinggi di dunia berdasarkan laporan WHO [1] [2]. Penyakit pada sistem pernapasan dapat dibagi menjadi 3 yaitu pada saluran napas, paru-paru, dan pompa ventilasi. Gangguan pada saluran napas contohnya adalah ISPA, Obstruksi saluran napas atas, dan PPOK. Gangguan pada pompa ventilasi dan jaringan pendukungnya di antaranya adalah efusi pleura, dan pleuritis. Sementara itu, gangguan pada paru-paru di antaranya adalah kanker paru, dan pneumonia. Pneumonia merupakan peradangan pada paru-paru yang disebabkan oleh infeksi oleh berbagai jenis bakteri, virus, dan jamur. Ini adalah penyebab utama morbiditas dan mortalitas di seluruh dunia, terutama di kalangan bayi di bawah usia lima tahun dan orang tua. Menurut WHO, terdapat 1,4 juta kematian terkait pneumonia di antara anak-anak di bawah lima tahun pada tahun 2018[3].

Kemajuan AI telah membawa perubahan di berbagai bidang, termasuk pendidikan, industri, kesehatan, dan olahraga. AI digunakan dalam sport analytics untuk meningkatkan efisiensi, pengembangan produk, kualitas hidup, dan penyebaran informasi. Implementasi AI dalam sport analytics melibatkan pendekatan Computer Vision, NLP, Machine Learning, Deep Learning, dan IoT. AI membantu pelatih dalam mengidentifikasi, menganalisis, dan mengevaluasi data tambahan dari pertandingan, serta meningkatkan pemahaman penonton dan performansi atlet. AQA digunakan untuk menilai kualitas gerakan dalam berbagai olahraga. Penggunaan teknologi CV dan IoT juga dapat membantu orang awam dalam olahraga, seperti mengidentifikasi gerakan yang seharusnya dilakukan dalam tenis

Sistem Tanya-Jawab (Question Answering – QA) bertujuan memberikan jawaban akurat terhadap pertanyaan pengguna, dengan memanfaatkan berbagai sumber informasi, baik yang terstruktur, tidak terstruktur, atau gabungan keduanya. Dalam konteks sistem QA berbasis data terstruktur, umumnya digunakan basis data relasional. Penelitian ini berfokus pada tiga tantangan Utama dalam sistem QA: menerjemahkan pertanyaan pengguna ke dalam Structured Query Language (SQL), mengintegrasikan fitur basis data dalam fase pengambilan informasi, dan membangun sistem QA yang efektif mengatasi masalah sistem tidak dapat menemukan informasi yang relevan.
Tantangan pertama adalah pengembangan mekanisme yang efisien untuk menerjemahkan pertanyaan pengguna ke dalam SQL yang tepat. Hal ini memerlukan metode yang robust yang dapat mengakomodasi berbagai variasi masukan pengguna, perbedaan dalam struktur bahasa, serta kompleksitas SQL. Mekanisme penerjemahan ini bertujuan memastikan interaksi yang akurat dan sesuai konteks dengan basis data relasional. Dalam fase Pengambilan Informasi, penelitian ini mengeksplorasi pemanfaatan fitur dalam basis data relasional, termasuk metadata, hubungan objek, dan informasi skema, untuk meningkatkan akurasi jawaban yang dihasilkan. Pengintegrasian fitur-fitur ini dalam proses pengambilan informasi bertujuan untuk meningkatkan kualitas dan relevansi jawaban yang diberikan. Membangun sistem QA berbasis data relasional menghadapi tantangan khusus, terutama dalam skenario “Tidak Ada Jawaban”. Penelitian ini merancang mekanisme untuk menangani situasi di mana sistem tidak dapat menemukan informasi yang relevan. Strategi yang diusulkan akan mengatasi pertanyaan pengguna yang tidak lengkap atau ambigu, memastikan bahwa pengguna tetap menerima tanggapan yang berarti meskipun sistem tidak dapat memberikan jawaban yang definitif.

Pemetaan talenta yang tidak optimal dapat menghambat pencapaian SDG 4, 8, 9, dan 10, yang berfokus pada pendidikan, pekerjaan layak, inovasi, dan pengurangan ketimpangan. Proses manual yang memakan waktu dan biaya tinggi menjadi kendala utama dalam efisiensi rekrutmen. Teknologi berbasis AI, khususnya Natural Language Processing (NLP), menjadi solusi potensial untuk meningkatkan kecepatan, akurasi, dan keadilan seleksi kandidat. Hal ini mendukung visi Indonesia Emas 2045 untuk mencetak pemimpin berkualitas dan meningkatkan daya saing SDM. Penggunaan NLP berbasis arsitektur Transformer, seperti GPT dan BERT, telah membuktikan kemampuannya dalam menangani tugas-tugas kompleks, seperti analisis sentimen, pengenalan entitas, dan klasifikasi teks. Teknologi ini tidak hanya mempercepat proses wawancara, tetapi juga memungkinkan evaluasi kandidat secara lebih objektif, sistematis, dan mendalam. Penelitian ini mengembangkan sistem wawancara mandiri berbasis AI dengan pendekatan NLP menggunakan arsitektur Transformer. Sistem ini dirancang untuk tidak hanya menghasilkan pertanyaan yang sesuai dengan profil kandidat, tetapi juga melakukan evaluasi jawaban dengan adil dan konsisten, sehingga mengurangi subjektifitas yang sering muncul dalam proses rekrutmen tradisional. Integrasi NLP dalam wawancara berbasis AI diharapkan dapat mendukung rekrutmen modern yang efisien, meningkatkan wawasan berbasis data, dan menciptakan proses seleksi yang lebih inklusif, sejalan dengan tujuan SDG dan visi Indonesia Emas 2045. Hal ini memberikan kontribusi signifikan dalam menghubungkan potensi talenta dengan kebutuhan pasar kerja global

Peramalan tingkat kerugian (loss rate) merupakan komponen penting dalam pengelolaan risiko lembaga keuangan, terutama dalam menghadapi dinamika faktor makroekonomi yang kompleks dan fluktuatif. Meskipun model deep learning, seperti Long Short-Term Memory (LSTM) dan Transformer, telah terbukti memiliki kemampuan prediktif yang unggul dalam peramalan deret waktu (time series), karakteristiknya yang bersifat black box sering kali menimbulkan tantangan interpretabilitas dalam praktik pengambilan keputusan yang transparan dan patuh regulasi. Penelitian ini bertujuan untuk mengembangkan kerangka kerja prediksi loss rate berbasis deep learning dengan integrasi Explainable Artificial Intelligence (XAI), sehingga mampu menghasilkan model yang tidak hanya akurat tetapi juga dapat dijelaskan secara komprehensif. Data yang digunakan mencakup variabel makroekonomi multivariat, seperti suku bunga, inflasi, pertumbuhan Produk Domestik Bruto (PDB), dan lainnya, yang dikombinasikan dalam rangkaian waktu historis. Untuk menjembatani trade-off antara akurasi prediksi dan keterjelasan model, penelitian ini menerapkan teknik interpretabilitas XAI, yang mampu menjelaskan kontribusi relatif masing-masing variabel makroekonomi terhadap hasil prediksi baik secara global maupun lokal. Selain itu, simulasi skenario what-if dikembangkan untuk mengevaluasi dampak perubahan faktor ekonomi tertentu terhadap prediksi risiko kerugian. Hasil penelitian ini diharapkan menghasilkan performa perdiksi yang tinggi dan menyediakan basis penjelasan yang kuat dan visualisasi interpretasi yang informatif. Penelitian ini memiliki kontribusi praktis berupa kerangka kerja peramalan risiko yang dapat digunakan oleh industri keuangan untuk mendukung pengambilan keputusan yang lebih transparan dan akuntabel.

Penelitian ini berangkat dari keterbatasan model stokastik klasik dalam menangkap fenomena cuaca ekstrem dan transisi rezim iklim yang bersifat diskontinu. Model standar seperti proses Ornstein-Uhlenbeck (OU) umumnya berasumsi bahwa fluktuasi cuaca bersifat kontinu dan mengikuti distribusi Gaussian. Namun, dalam realitasnya, variabel meteorologi seperti suhu, angin, dan tekanan sering kali menunjukkan “patahan” mendadak akibat badai atau perubahan fase iklim (seperti El Niño). Masalah metodologis muncul ketika metode statistik konvensional gagal melakukan estimasi parameter pada kondisi non-smooth atau non-Lipschitz yang disebabkan oleh diskontinuitas tersebut.
Objektif utama penelitian ini adalah mengembangkan kerangka kerja pemodelan Multivariate Jump-Diffusion OU yang mengintegrasikan dua lapis diskontinuitas secara simultan: diskontinuitas deterministik melalui mekanisme Markov Regime-Switching dan diskontinuitas stokastik melalui komponen jump (Proses Lévy). Kebaruan penelitian ini terletak pada penggunaan Neural Stochastic Differential Equations (Neural SDE) sebagai mesin estimator. Dengan memanfaatkan kekuatan Deep Learning, model ini mampu memelajari fungsi drift dan diffusion yang kompleks secara adaptif langsung dari dataset multivariat.
Penelitian akan dilaksanakan selama dua tahun, mulai dari pengolahan data cuaca historis, identifikasi status rezim menggunakan Hidden Markov Model, hingga pelatihan arsitektur jaringan saraf untuk mengoptimasi parameter SDE. Pada tahap akhir, model yang telah terlatih akan digunakan sebagai generator pembangkit sinyal respon cuaca. Sinyal ini dirancang untuk mereplikasi karakteristik fisik atmosfer, termasuk korelasi antar-variabel dan risiko ekor distribusi (tail-risk) yang merepresentasikan kejadian ekstrem.Kontribusi ilmiah utama dari penelitian ini adalah penyediaan metodologi baru dalam pembangunan generator sinyal cuaca yang tangguh terhadap tidak memenuhi syarat kontinuitas Lipschitz. Hasil penelitian ini diharapkan dapat memberikan dampak signifikan bagi body of knowledge di bidang cuaca, komputasional, dan mitigasi bencana, khususnya dalam menyediakan data simulasi yang lebih akurat untuk pengujian terhadap terjadinya anomali iklim yang semakin tidak terprediks

Sistem rekomendasi modern, khususnya pendekatan Sequential Recommender System (SRS), dirancang untuk mempelajari urutan interaksi pengguna dan memprediksi item yang berpotensi diminati pada periode berikutnya. Pendekatan ini berangkat dari asumsi bahwa preferensi pengguna bersifat dinamis dan dipengaruhi oleh interaksi sebelumnya. Dalam praktiknya, SRS tidak hanya menghadapi tantangan dalam merepresentasikan perubahan minat pengguna, tetapi juga beroperasi dalam ekosistem platform digital yang melibatkan berbagai pihak. Pihak-pihak tersebut mencakup pengguna (user), penjual (provider), dan platform. Namun, sebagian besar pendekatan yang ada saat ini masih berfokus pada optimalisasi akurasi dari perspektif pengguna. Fokus ini cenderung memperkuat dominasi item dengan tingkat interaksi tinggi dan membatasi peluang item long-tail untuk memperoleh eksposur.
Seiring berkembangnya penelitian, pendekatan multi-behavior mulai diadopsi dalam pengembangan SRS. Pendekatan ini memanfaatkan berbagai jenis interaksi pengguna, seperti view, add-to-cart, dan purchase. Interaksi tersebut digunakan dalam sequential modeling berbasis deep learning untuk memperkaya representasi preferensi pengguna. Meskipun demikian, sebagian besar penelitian SRS dengan multi-behavior interaction masih berfokus pada peningkatan kualitas prediksi. Dampak rekomendasi terhadap distribusi eksposur item dan keseimbangan kepentingan antar stakeholder belum banyak dibahas secara eksplisit. Selain itu, pengelolaan eksposur item long-tail umumnya masih dilakukan melalui mekanisme penyesuaian terpisah.
Berdasarkan kondisi tersebut, penelitian ini bertujuan mengembangkan kerangka SRS berbasis deep learning dengan perspektif multi-stakeholder. Kerangka ini memanfaatkan interaksi multi-behavior sebagai backbone pemodelan sekuensial. Mekanisme item long-tail promotion diintegrasikan pada tahap rekomendasi. Evaluasi dilakukan dari perspektif pengguna, provider, dan platform. Fokus evaluasi diarahkan pada trade-off antara kualitas rekomendasi dan distribusi eksposur item dalam sequential recommendation

Kanker payudara merupakan salah satu penyebab utama kematian pada perempuan di dunia, sehingga deteksi dini berbasis pencitraan medis menjadi krusial untuk meningkatkan peluang kesembuhan. Ultrasonografi (USG) banyak digunakan sebagai metode skrining karena aman, terjangkau, dan efektif, khususnya pada jaringan payudara padat. Namun, citra USG memiliki keterbatasan signifikan akibat speckle noise yang bersifat deterministik dan berkorelasi dengan struktur jaringan, sehingga menyulitkan ekstraksi fitur diagnostik yang akurat. Pendekatan peningkatan kualitas citra, radiomics, dan deep learning telah banyak dikembangkan, tetapi masingmasing masih menghadapi keterbatasan, seperti hilangnya detail anatomi, trade-off antara akurasi dan interpretabilitas, serta minimnya keterlibatan pakar klinis dalam proses pembelajaran model. Oleh karena itu, penelitian disertasi ini bertujuan mengembangkan kerangka kerja AI multimodal yang akurat, terjelaskan, dan adaptif untuk diagnosis kanker payudara berbasis citra USG. Penelitian ini mengusulkan metode RadXDeepFuse, yaitu strategi intelligent fusion yang mengintegrasikan deep features dari Convolutional Neural Networks (CNN) dan fitur radiomics yang diekstraksi secara terarah menggunakan Grad-CAM sebagai attention mask, sehingga representasi fitur tetap selaras dengan anatomi klinis. Untuk meningkatkan generalisasi dan mencegah overfitting, dilakukan reduksi dimensi sebelum proses klasifikasi menggunakan algoritma machine learning. Transparansi model dijamin melalui kombinasi penjelasan lokal dan global, dengan menjadikan radiomics sebagai dasar global explanation. Selain itu, penelitian ini mengintegrasikan mekanisme Human-in-the-Loop (HITL) berbasis incremental training, di mana radiolog memverifikasi prediksi dan memberikan umpan balik pada kasus misclassification untuk memperbaiki model secara berkelanjutan. Kontribusi utama penelitian ini meliputi pemodelan speckle-aware untuk ekstraksi fitur, pengembangan metode RadXDeepFuse sebagai jembatan antara akurasi dan interpretabilitas, serta integrasi HITL untuk mewujudkan sistem diagnosis kanker payudara berbasis USG yang memenuhi prinsip trustworthy AI dan siap diadopsi dalam praktik klinis.

Perencanaan rute wisata multi-hari bukanlah permasalahan yang sederhana. Sistem tidak hanya diminta menentukan urutan kunjungan destinasi, tetapi juga harus membagi destinasi ke dalam beberapa hari perjalanan secara masuk akal. Dalam praktiknya, perjalanan wisata sangat dipengaruhi oleh faktor waktu, seperti jam operasional destinasi, lama kunjungan, dan perbedaan waktu tempuh antar lokasi. Selain itu, kondisi tertentu seperti event atau hari besar sering kali mengubah situasi di apangan, misalnya meningkatnya kepadatan pengunjung atau keterbatasan akses. Sayangnya, banyak pendekatan yang ada masih memodelkan kondisi ini secara statis atau menggabungkan seluruh proses pembagian dan optimasi rute dalam satu tahap, sehingga rute yang dihasilkan kurang realistis dan membutuhkan waktu komputasi yang besar.
Penelitian ini bertujuan mengembangkan sistem rekomendasi rute wisata multi-hari yang lebih realistis dan efisien dengan mempertimbangkan aspek waktu yang dinamis serta informasi kontekstual. Pendekatan yang diusulkan menggunakan skema multi-stage. Pada tahap pertama, destinasi yang dipilih pengguna dibagi ke dalam beberapa kelompok harian menggunakan teknik clustering berdasarkan kedekatan lokasi. Tahap ini difokuskan untuk membagi destinasi secara seimbang sekaligus mengurangi kompleksitas permasalahan. Selanjutnya, pada tahap optimasi, setiap kelompok harian dioptimasi menggunakan algoritma metaheuristik untuk menentukan urutan kunjungan terbaik dengan mempertimbangkan jam operasional, durasi kunjungan, variasi waktu tempuh, serta pengaruh event atau hari besar. Informasi biaya masuk dan rating destinasi yang tersedia dalam dataset digunakan sebagai karakteristik tambahan dalam menilai kualitas rute.
Hipotesis penelitian ini menyatakan bahwa pemisahan proses pembagian dan optimasi rute, yang dikombinasikan dengan pemodelan time-dependent dan context-aware, mampu menghasilkan itinerary yang lebih layak diterapkan dan efisien dibandingkan pendekatan konvensional. Evaluasi dilakukan menggunakan dataset destinasi wisata Yogyakarta dan dataset benchmark Solomon, serta diperkuat dengan uji statistik Wilcoxon Signed-Rank Test untuk memastikan perbedaan kinerja yang signifikan

Analisis sentimen masih menjadi kebutuhan penting dalam mendukung pengambilan keputusan di berbagai instansi dan organisasi. Penerapan analisis sentimen dalam konteks organisasi seperti layanan pelanggan atau pemasaran digital memungkinkan instansi untuk mendeteksi sentimen negatif lebih awal dan melakukan tindakan perbaikan yang tepat sebelum masalah berkembang. Seiring perkembangan media digital, analisis sentimen tidak lagi terbatas pada data teks, tetapi juga melibatkan modalitas lain seperti visual dan audio. Multimodal Sentiment Analysis (MSA) merupakan bidang penelitian strategis dalam kecerdasan buatan yang bertujuan memanfaatkan berbagai modalitas teks, visual, dan audio untuk memperoleh pemahaman sentimen yang lebih komprehensif dan sesuai dengan kebutuhan. Salah satu tantangan utama dalam MSA adalah Mengidentifikasi dan memodelkan korelasi antar fitur lintas modalitas. Strategi feature fusion menjadi aspek penting dalam peningkatan performa MSA. Berbagai dataset MSA telah tersedia dan banyak digunakan, namun mengingat karakteristik media sosial, penelitian ini berfokus pada pendekatan text-based atau text-centric MSA. Beberapa dataset populer yang sering digunakan yang seluruhnya berbahasa Inggrisbelum disesuaikan dengan karakteristik high-context discourse dalam bahasa Indonesia

Agentic AI merupakan paradigma AI terbaru yang menekankan sistem yang otonom melibatkan interaksi multi-agen yang mampu menetapkan tujuan, melakukan perencanaan, beradaptasi, dan mengeksekusi aksi secara mandiri dalam jangka panjang dengan minim itervensi dari manusia. Berbeda dengan AI agent biasa maupun Generative AI, Agentic AI melakukan kolaborasi antar agen dan serta melakukan continuous reasoning berbasis tujuan/goal. Namun, kemajuan ini memunculkan kendala pada tahap goal alignment, koordinasi, emergent behavior, serta lemahnya explainability, fairness, dan sustainability, yang berisiko menurunkan trust dan akuntabilitas sistem.
Pendekatan Neuro-Symbolic dapat menjawab kendala-kendala tersebut, karena melakukan penggabungan LLM (neural) dengan reasoning berdasarkan aturan dan ontologi (symbolic), sehingga dapat meningkatkan sustainability, accuracy, explainability, fairness dalam sistem agentic. Meskipun riset Agentic AI berkembang pesat pada sisi arsitektur, koordinasi antar agent, dan dan penerapan pada lintas domain, belum ada framework yang secara eksplisit membangun Agentic AI dengan empat prinsip SAFE (Sustainability, Accuracy, Fairness, Explainability). Prinsip SAFE dipilih karena merupakan turunan dari matrik Trsutworthy AI yang menyasar kriteria kuantitaif sehingga lebih mudah untuk dilakukan proses. Sehingga pada penelitian diusulkan framework SAFE Agentic AI berbasis Neuro-Symbolic agar Agentic AI yang dihasilkan tetap memiliki kemampuan otonomi dan adalptif namun dengan proses reasoning yang terukur, adil, transparan, dan tetap berkelanjutan.

Studi literatur sistematis (Systematic Literature Review) ini disusun sebagai dokumen kualifikasi doktoral dengan pendekatan deduktif (luas ke mendalam) untuk memetakan peluang riset dalam domain Visual Neural Decoding. Metodologi seleksi literatur dijalankan mengadaptasi protokol PRISMA dengan strategi pencarian kata kunci berbasis kerangka kerja PICO. Analisis selanjutnya dilakukan melalui tiga tahapan bertingkat guna menjamin keluasan dan kedalaman pembahasan: (1) Bibliometrik untuk memetakan tren makro dan klaster topik global tentang Neural Decoding; (2) Systematic Mapping Study (SMS) untuk mengklasifikasikan taksonomi studi tentang Visual Neural Decoding; dan (3) Tinjauan Literatur mendalam untuk mengidentifikasi celah metodologis kritis (research gaps) tentang penggunaan Transformer pada domain Visual Neural Decoding dan EEG. Temuan dari rangkaian analisis ini disintesis pada Bab 3, yang memaparkan berbagai metode potensial, seperti arsitektur Transformer, Contrastive Learning, dan Generative Diffusion Models, sebagai kandidat solusi menjanjikan untuk mengatasi tantangan fidelitas semantik yang teridentifikasi. Luaran akhir dari studi ini adalah identifikasi peluang penelitian strategis yang siap untuk dilanjutkan ke tahapan ujian proposal disertasi.

Berdasarkan literatur manajemen bencana, bencana tidak lagi dipandang sebagai peristiwa alam yang berdiri sendiri, melainkan hasil interaksi kompleks antara bahaya, kerentanan, dan kapasitas sosial. Manajemen bencana berlandaskan pendekatan sistematis yang meliputi mitigasi, kesiapsiagaan, tanggap darurat, dan pemulihan. Di antara keempat fase tersebut, tahap pra-bencana atau kesiapsiagaan memiliki posisi strategis karena keputusan yang diambil di fase ini sangat menentukan efektivitas respon dan pemulihan pascabencana. Sejalan dengan pergeseran paradigma modern, penanganan bencana kini bergerak dari pendekatan reaktif menuju pendekatan proaktif dan berbasis bukti (evidence-based).
Dalam konteks ini, penelitian difokuskan pada pengembangan Decision Support System (DSS) untuk alokasi sumber daya kesehatan pada fase pra-bencana. Tujuan utama sistem ini adalah meningkatkan resiliensi sistem kesehatan melalui perencanaan yang lebih adaptif dan cerdas. Saat ini, perencanaan alokasi sumber daya kesehatan masih bersifat administratif dan statis, serta kurang mempertimbangkan dinamika risiko dan distribusi kebutuhan yang tidak merata, khususnya di daerah rawan seperti Provinsi Jawa Barat.