Kanker adalah salah satu penyebab kematian terbesar di dunia. Penyakit ini bisa menyerang siapa saja, mulai dari anak-anak sampai orang dewasa. Berdasarkan data dari IARC di tahun 2020, jumlah kasus kanker di dunia telah meningkat menjadi 19.3 juta kasus dengan 9.9 juta kematian. Tingginya angka kematian pada pasien kanker ini salah satunya disebabkan oleh keterlambatan deteksi kanker di tubuh pasien, sehingga pasien baru mengetahui bahwa terserang penyakit ini setelah memasuki stadium lanjut. Oleh karena itu, sangat penting untuk bisa mendeteksi penyakit ini secara dini. Sehingga pasien dapat segera mendapatkan pengobatan yang sesuai untuk penyakitnya. Saat ini, di dunia medis sudah tersedia beberapa metode untuk mendeteksi kanker. Salah satunya adalah teknologi DNA Microarray. DNA Microarray adalah sebuah chip yang di dalamnya menyimpan ratusan hingga ribuan ekspresi gen dalam bentuk DNA. DNA Microarray dapat digunakan untuk mendeteksi kanker melalui analisis dari ekspresi gen yang terserang kanker. Adapun analisis ini menggunakan 2 tipe DNA, yaitu DNA normal dan DNA yang terserang kanker. Pada penelitian sebelumnya, metode Logistic Regression (Regresi Logistik) digunakan untuk membangun sistem deteksi kanker, dengan mengklasifikasikan 4 dataset kanker yang berbeda. Rata-rata akurasi dari sistem yang dibangun adalah 72.58%. Rendahnya akurasi dari sistem deteksi kanker pada penelitian ini disebabkan oleh adanya resiko Overfitting yang dimiliki oleh metode Regresi Logistik. Oleh karena itu, penelitian selanjutnya dilakukan untuk mengatasi masalah overfitting. Kami memperkenalkan teknik baru yaitu kombinasi dari minimum Redundancy Maximum Relevance (mRMR) dan Modified Logistic Regression untuk reduksi data dan klasifier data. Metode Regresi Logistik dimodifikasi dengan menambahkan suatu term pada cost function, sehingga masalah overfitting dapat teratasi. Adapun rata-rata akurasi dari sistem yang dibangun adalah sebesar 93.33%. Akurasi dari penelitian ini bisa dibilang sudah cukup tinggi, namun mengingat penyakit kanker adalah penyakit yang mematikan, maka diperlukan suatu sistem yang memiliki akurasi mendekati 100%. Selain itu, penelitian ini juga tidak memperhatikan waktu komputasi dari sistem yang dibangun. Perlu diperhatikan juga bahwa Microarray data memiliki masalah utama, yaitu curse of dimensionality. Microarray data memiliki fitur yang jumlahnya sangat besar, jika dibandingkan dengan records-nya. Oleh karena itu, studi disertasi ini akan fokus pada: (i) Mencari satu atau beberapa metode machine learning yang cocok digunakan untuk data Microarray, (ii) Menganalisa apakah terdapat kekurangan dari metode-metode tersebut, (iii) Mencari cara untuk mengatasi masalah pada metode tersebut, sehingga dapat dibangun suatu sistem deteksi kanker yang tidak hanya memiliki akurasi yang tinggi, tapi juga memiliki waktu komputasi yang rendah.

Indonesia merupakan negara agraris tropis terbesar di dunia setelah Brazil. Dari 27 persen zona tropis di dunia, Indonesia memiliki 11 persen wilayah tropis. Indonesia memiliki hasil tani seperti beras, singkong, kacang tanah, tembakau, kedelai, merica, kelapa sawit, teh, gula, dan masih banyak lainnya (Gischa Kompas, 2021). Pada masa pandemi virus corona (Covid-19) tahun 2020, berbagai industri menghadapi tekanan. Namun, sektor pertanian mencatatkan capaian positif selama tahun 2020 lalu (Bardan Kontan, 2021). Pertanian memiliki peran penting dalam pembangunan negara agraris. Jika populasi penduduk meningkat maka diperkirakan kebutuhan makanan hasil pertanian juga akan meningkat. Dalam proses pertanian, petani bertujuan untuk mencapai peningkatan hasil dengan biaya yang paling rendah. Petani di negara agraris seperti Indonesia umumnya menggunakan teknik tradisional atau mengandalkan intuisi mereka untuk memutuskan tanaman yang akan dibudidayakan. Metode ini membutuhkan intervensi manusia yang konstan. Teknik tradisional memberikan rekomendasi umum tanpa mempertimbangkan variasi di lapangan sehingga memberikan hasil yang kurang efisien. Salah satu contoh hasil pertanian adalah produktifitas padi. Di Indonesia umumnya untuk produktifitas padi dibutuhkan area sawah yang memadai berikut teknik irigasinya. Di beberapa wilayah ada juga yang terkendala masalah irigasi sehingga mengandalkan curah hujan atau dikenal sebagai sawah tadah hujan.. Debit dan kualitas air untuk mendukung produksi sawah tradisional perlu diperhatikan dalam skala yang lebih luas sebab dengan menggunakan teknik tadah hujan untuk beberapa daerah akan mengalami kondisi kering ekstrim atau banjir parah yang mengakibatkan gagal panen. Demikian juga dengan tanah yang memerlukan treatment dengan melihat beberapa parameter dari alam. Banyak studi yang telah membahas tentang green house, sistem irigasi untuk mengoptimalkan produksi pertanian, hal ini perlu melihat juga faktor biaya, infrastruktur, kebijakan dan energi. Teknologi hari ini Berupa Internet of Things (IoT) dan kecerdasan buatan memungkinkan untuk membantu menyelesaikan permasalahan itu. Solusi berupa IoT dapat difungsikan sebagai asisten bagi petani dalam memproduksi padi. Dalam beberapa penelitian, IoT dapat terkendala oleh beberapa hal diantaranya masalah skalabilitas dan energi. Penulis melihat peluang untuk berkontribusi dalam memberikan solusi khususnya tentang IoT dan pertanian (produksi padi) dengan cakupan masalah yang diangkat: 1.Skalabilitas solusi 2.Penggunaan energi 3.Kondisi alam / lapangan Penelitian ini diharapkan dapat memberikan kontribusi dalam bentuk model arsitektur solusi IoT dan optimasi suatu algoritma yang disematkan pada perangkat IoT. Harapannya jika solusi berhasil direalisasikan maka dapat diadopsi secara luas khususnya untuk pertanian di Indonesia.

Studi ini akan fokus pada pembuatan pertanyaan-jawaban otomatis, terutama untuk tujuan pendidikan yang mempertimbangkan domain (misalnya sejarah, fisika) dari teks. Selain kelancaran dan relevansi, sistem ini bertujuan untuk nilai pedagogis dalam membantu siswa memahami materi mereka. Banyak penelitian telah mengeksplorasi bagaimana menghasilkan pertanyaan factoid. Oleh karena itu, dalam penelitian ini saya ingin lebih mendalami soal inferensi, karena tidak hanya baik untuk menghafal tetapi juga menalar dan memahami. Untuk memungkinkan inferensi, saya berencana menggunakan knowledge graph untuk menyimpan informasi kunci yang diekstraksi dari teks. Model berbasis RNN akan digunakan untuk mengekstrak frase kunci dan juga menghasilkan pertanyaan.

Merumuskan pertanyaan kompleks merupakan hal yang menantang bagi manusia, jadi akan menarik untuk mengetahui apakah mesin dapat melakukan sebaik manusia untuk tugas ini. Untuk setting pendidikan, beberapa tantangannya adalah: (i) bagaimana memilih target jawaban yang penting dan cukup sulit bagi siswa untuk menalar jawabannya; (ii) bagaimana menghasilkan pertanyaan alami yang tidak ambigu untuk target jawaban tersebut. Dampak dari sistem ini akan sangat besar, dapat menghemat waktu guru untuk membuat kuis. Ini dapat membantu siswa bermotivasi rendah untuk mempelajari konsep lebih mudah melalui pencarian aktif menggunakan pasangan tanya jawab yang dihasilkan. Selain itu, data tanya jawab yang dihasilkan dapat digunakan oleh sistem lain (misalnya Chatbot, dialog, tanya jawab) sebagai data pelatihan tambahan.

Penelitian ini berangkat dari ketiadaan panduan maupun pedomaan dan aturan yang terkait dengan penerapan teknologi Internet of Things (IoT) untuk domain industry di Indonesia, dimana hal tersebut dipercayai menjadi salah satu hambatan terkait dengan adopsi teknologi IoT untuk percepatan menuju industry 4.0 di Indonesia. Dengan mencoba melihat karakteristik industry yang ada di indonesia, serta dikaitkan dengan teknologi blockchain dan zero trust yang menjadi salah satu frontliner untuk domain security, diharapkan dari penelitian ini dapat mengusulkan framework security untuk Industrial Internet of things (IIoT) yang sesuai dengan karakteristik industri dalam negeri, serta dapat menjaga dan meningkatkan khususnya aspek security dan privacy untuk industri di Indonesia.

Penerapan Internet of Things (IoT) saat ini menjadi hal lazim yang kerap ditemui di berbagai sektor. Sistem IoT yang dibangun memiliki peran besar dalam perkembangan teknologi guna mempermudah aktivitas sehari-hari. Pada implementasinya, IoT dinilai mampu mengubah sistem konvensional menjadi sistem cerdas yang mampu beroperasi secara mandiri. Karenanya, sistem IoT semakin berkembang dengan pesat hingga hal terkecil.
Sayangnya, tidak semua sistem IoT berjalan sesuai dengan yang diharapkan. Banyak celah yang sering kali ditemukan membuat sistem IoT perlu dikembangkan dari berbagai sisi, misalnya keamanan hingga keakuratan data. Beberapa penelitian telah dilakukan guna mencari hasil terbaik dari sistem yang dibangun. Contohnya, pada sektor perkotaan yang membangun smart city, hal yang menjadi perhatian adalah bagaimana sistem yang dibangun dengan biaya penggunaan energi. Contoh lainnya adalah pada sistem prediksi yang perlu ditingkatkan secara terus menerus dari segi metodologi untuk mencari hasil yang paling tepat dengan data aktualnya. Hal-hal ini menunjukan bahwa ada banyak celah dari sistem IoT yang mungkin ada dan perlu adanya perbaikan sistem.
Pada penelitian ini, celah sistem IoT yang menjadi perhatian adalah kemungkinan munculnya anomali pada sistem yang beroperasi mandiri. Anomali yang timbul dapat mempengaruhi beberapa faktor, misalnya meningkatkan nilai penggunaan daya listrik yang mengakibatkan pembengkakan biaya yang perlu dikeluarkan. Pendeteksian anomali ini menggunakan salah satu metode yang dinilai mampu memberikan hasil yang baik pada data yang bersifat time-series. Long short-term memory (LSTM) adalah metode yang akan coba diterapkan pada sistem pendeteksi ini melihat seberapa efektif metode tersebut memberikan hasil berupa anomali data yang pada sistem IoT. Kebaharuan dari penelitian ini adalah melihat bagaimana metode ini dapat bekerja untuk mendeteksi anomali pada sistem IoT berfokus pada sistem pencahayaan pintar dan meningkatkan nilai akurasi dalam waktu yang relatif singkat pada hasil yang didapatkan dengan melakukan modifikasi terhadap metode yang diterapkan dan/atau melibatkan metode lain yang dianggap tepat.

Dalam bidang computer vision, metode deep learning telah terbukti mengungguli teknik machine learning sebelumnya dan menjadi salah satu skema yang paling signifikan, yaitu, Convolutional Neural Network, Deep Boltzmann Machine dan Deep Belief Networks, dan Stacked Denoising Autoencoders untuk berbagai tugas visi komputer, termasuk deteksi objek dalam pencitraan medis.

Modalitas pencitraan medis seperti Rontgen Dada (CXR) dan Computed Tomography (CT) dapat memainkan peran utama dalam memastikan pasien positif COVID-19. Proses diagnosis konvensional menjadi relatif lebih cepat namun tetap menimbulkan risiko tinggi bagi tenaga medis. Selain itu, biayanya mahal dan jumlah alat tes diagnostik terbatas. Di sisi lain, skrining berbasis teknik pencitraan medis (mis., X-ray dan CT) relatif aman, lebih cepat, dan mudah diakses.

Sejumlah penelitian mengarah pada pengembangan sejumlah algoritma deep learning yang menunjukkan bahwa akurasi deteksi pasien COVID-19 menggunakan CXR cukup tinggi.

Meskipun ada kelemahan tertentu, seperti perlunya sejumlah besar data pelatihan untuk jaringan deep learning seperti jaringan saraf convolutional (CNN), mengingat epidemi ini relarif baru, sehingga kumpulan data besar gambar radiografi dari individu yang terinfeksi COVID-19 tidak dapat diakses di periode yang begitu singkat. Penelitian ini mengusulkan metode untuk menghasilkan citra CXR sintetis dengan mengembangkan model berbasis Generative Adversarial Network (GANs). GAN telah mendapatkan banyak perhatian di komunitas visi komputer karena kemampuan mereka menghasilkan data tanpa secara eksplisit memodelkan fungsi kepadatan probabilitas.

Sejak akhir tahun 2019, COVID-19 telah menjadi masalah serius bagi negara-negara di seluruh dunia dan menyebabkan kerugian besar di bidang kesehatan dan ekonomi. Awal tahun 2022, di Indonesia sudah mendekati puncak gelombang ketiga COVID-19 yang disebabkan virus corona varian Omicron. Sejalan dengan itu, pemerintah Indonesia mengeluarkan beragam kebijakan, yaitu PSBB dan PPKM untuk menekan laju perkembangan penyebaran COVID-19. Namun, dalam pelaksanaannya, kebijakan tersebut terasa belum optimal, bersifat trial eror dan tentunya berimbas ke banyak sektor maka perlu mempertimbangkan beberapa faktor-faktor spesifik suatu wilayah, seperti kesehatan, perekonomian, serta mobilitas penduduk yang berbeda-beda. Faktor-faktor tersebut sangat berpengaruh pada efektifitas kebijakan yang diambil. Penelitian ini menggunakan faktor spatio-temporal (lokasi-waktu) tersebut sebagai dataset. Dataset yang digunakan meliputi faktor kesehatan sebagai variabel dependent. Dataset yang kedua adalah faktor perekonomian sebagai independent variabel. Adapun dataset yang ketiga adalah mobilitas penduduk sebagai independent variabel. Tujuan penelitian ini secara umum adalah membangun model kebijakan pemerintah Indonesia terkait penanganan pandemi, dengan studi kasus COVID-19. Namun, karena karakteristik data penyebaran COVID-19 bersifat spatio-temporal kemudian banyaknya faktor-faktor spesifik yang saling memengaruhi satu sama lainnya membuat tugas pemodelan dengan pendekatan machine learning menjadi tidak mudah. Oleh karena itu, pada penelitian ini mengajukan metode regresi untuk menganalisi korelasi dampak COVID-19 dengan faktor-faktor spesifik, selanjutnya memprediksi penyebaran COVID-19 dengan model machine learning kemudian mengkombinasikan hasil pemodelan dengan algoritma optimasi yang disebut metode hybrid, dengan tujuan utama pada penelitian ini membuat model kebijakan yang optimal atau tidaknya berdasarkan parameter atau variabel yang menyebabkan hal tersebut terjadi.

Dinamika harga tiket pesawat bergantung kepada beberapa faktor, baik faktor internal maupun faktor eksternal. Dari faktor internal terdapat beberapa faktor seperti hari keberangkatan, bandara asal, bandara tujuan, waktu keberangkatan, dll kemudian dari faktor eksternal terdapat faktor seperti faktor peristiwa, musim, bencana alam, dll. Dalam penelitian disertasi ini, saya mengusulkan faktor eksternal yaitu peristiwa yang diambil data nya dari sentimen analisis yang bersumber dari media sosial. Data tersebut didaptkan dari crawling sentimen dari media sosial twitter berdasarkan kuery tertentu yang merujuk pada peristiwa yang akan diselenggarakan. Kemudian hasil dari sentimen analisis tersebut digabungkan kedalam dataset dengan faktor internal. Data dari faktor internal didapatkan dari data histori tiket maskapai. Kemudian dataset tersebut akan diukur korelasi (keterhubungan) nya antara satu atribut dengan atribut lainnya untuk melihat seberapa besar korelasi antar atribut. Kemudian dataset tersebut diolah dengan model machine learning dan hasilnya akan terlihat seberapa besar tingkat akurasinya kemudian hasil tersebut akan dievaluasi secara kuantitatif. Diharapkan dengan membuat model Dynamic Pricing tiket pesawat yang berbasis sentimen analisis akan menghasilkan harga tiket yang lebih fair, baik dari sisi maskapai maupun penumpang.

Teknik optimisasi metaheuristic pada umumnya terinspirasi oleh alam, seperti konsep evolusi, genetik, perilaku hewan, kultur kemasyarakatan, dan lain-lain. Hal-hal tersebut menginspirasi munculnya algoritma-algoritma, baik algoritma yang benar-benar baru, maupun varian dari algoritma yang sudah ada. Dari berbagai jenis inspirasi dari alam tersebut, sampai saat ini belum ada algoritma yang terinspirasi oleh strategi perang. Strategi perang sangat memungkinkan untuk menjadi inspirasi dari suatu algoritma optimasi karena langkah-langkah dalam strategi perang juga ditujukan untuk mendapatkan hasil yang optimal dengan korban seminimal mungkin. Pembagian peran dalam strategi perang juga menggambarkan pembagian peran dalam algoritma optimisasi metaheuristik, seperti eksplorasi (peranan dari mata-mata dan pemandu), eksploitasi (peranan dari kavaleri dan infantri), dan pemimpin tim (komandan). Dengan inspirasi baru ini, diharapkan akan muncul algoritma yang lebih efisien dan efektif dibanding algoritma yang telah ada. Dari ratusan algoritma metaheuristic yang ada, sampai saat ini masih terdapat beberapa kendala dalam melakukan optimasi, terutama pada dua hal. Pertama adalah stabilitas, di mana semakin besar dimensi parameter pada umumnya waktu yang diperlukan untuk menyelesaikan problem bertambah secara eksponensial, sehingga untuk dimensi parameter sangat besar, penyelesaian problem memerlukan waktu yang sangat lama. Kendala kedua adalah dalam hal tuning parameter algoritma. Sebagian besar algoritma yang ada memerlukan tuning parameter ketika menghadapi problem optimasi yang berbeda. Dengan demikian, algoritma tersebut tidak dapat disebut sebagai algoritma yang universal. Riset ini mencoba untuk menemukan algoritma yang stabil dan universal dengan menggunakan prinsip-prinsip yang dimiliki oleh strategi perang.

Keterjelasan merupakan matrik yang mengukur tingkat kemudahan hasil dan/atau proses suatu algoritma ML dapat dimengerti oleh pengguna akhirnya. Dewasa ini dalam berbagai use case yang kritikal di industri keuangan dan kesehatan, keterjelasan sangat diperlukan untuk menjaminkan adoptasi, transparansi dan kepatuhan terhadap aturan baru yang berlaku. Salah satu tantangan yang ada dewasa ini adalah adanya hubungan berbanding terbalik antara keterjelasan dengan performansi algoritma ML. Algoritma yang memiliki performansi tinggi, pada kelompok Neural Network (NN) dan Deep Learning (DL), cenderung memiliki keterjelasan yang rendah. Sedangkan algoritma yang memiliki keterjelasan tinggi cenderung memiliki performansi yang rendah atau tidak terlalu tinggi. Penelitian ini bertujuan untuk membangun suatu model ML yang memiliki keterjelasan dan performansi yang dua-duanya relatif tinggi, dengan memperbaiki performansi model ML yang sudah memiliki keterjelasan yang relatif tinggi. Model KNN dipilih untuk diperbaiki performansinya berdasarkan kenyataan bahwa model ini merupakan salah satu dari beberapa model ML yang banyak diimplementasikan di berbagai use case dalam banyak industri. Untuk meningkatkan performansi model KNN, penelitian akan difokuskan pada aspek-aspek yang mengakibatkan rendahnya performansi model KNN. Beberapa kemungkinan perbaikan yang dapat dilakukan antara lain terkait pengurangan jumlah data yang diperlukan dalam perhitungan tetangga terdekat dan perubahan aturan pemilihan tetangga terdekat mayoritas yang kelasnya akan diberikan sebagai hasil proses prediksi. Agar model berbasis KNN baru yang dihasilkan tetap memiliki keterjelasan sama dengan model KNN, penelitian ini tidak akan menggabungkan proses-proses yang biasa digunakan dalam kelompok model NN dan DL. Terakhir, untuk memastikan tidak terjadi pengurangan keterjelasan, tentunya selain uji performansi umum dengan dataset yang biasa digunakan untuk menguji performansi model berbasis KNN, model berbasis KNN baru yang dibangun ini juga akan diuji dengan serangkaian prosedur uji yang akan mengukur keterjelasannya.

Diabetes merupakan penyakit tidak menular yang memiliki angka kematian 70% di dunia. Sebagian besar kasus diabetes, 90%-95%, merupakan kasus diabetes mellitus tipe 2 yang disebabkan oleh gaya hidup yang tidak sehat. Diabetes tipe 2 dapat dideteksi lebih dini dengan menggunakan pemeriksaan yang memuat parameter terkait diabetes. Namun, dataset distribusi antara kelas positif dan negatif sebagian besar tidak, permasalahan tersebut bisa disebut sebagai imbalance data. Untuk mengatasi permasalahan tersebut, perlu dilakukan preprocessing pada dataset sebelum dilakukan klasifikasi data yang telah dibuktikan pada tahap preliminary work. Penyelesaian permasalahan imbalance data merupakan salah satu permasalahan dalam teknik preprocessing yang dapat mempengaruhi hasil klasifikasi. Penelitian ini mengusulkan sebuah pendekatan pada dataset dengan teknik preprocessing yang diterapkan pada deteksi diabetes. Pendekatan preprocessing terdiri dari proses berikut: proses nilai yang hilang, proses data yang tidak seimbang, dan proses kepentingan fitur.

Salah satu teknologi yang menjanjian saat ini untuk menjembatani kesenjangan pelayanan Kesehatan yang belum merata secara global maupun di Indonesia adalah Pemantauan kesehatan secara jarak jauh dan berkelanjutan. Salah satunya adalah yang berbasis Internet of Medical Things (IoMT). Penelitian mengenai deteksi penyakit Leukemia yang berbasis IoMT masih banyak peluang untuk terus dikembangkan. Kebanyakan penelitian untuk mendeteksi dan mengklasifikasi tipe leukemia akut. Sedangkan penelitian pada jenis Leukemia Myeloid Kronis (CML) secara khusus jarang dilakukan. Padahal CML saat ini bisa diobat. Selain itu juga penelitian untuk framework yang ada, masih belum mempertimbangkan data BCR-Abl dan data hematologi rutin sebagai bagian data yang diperlukan oleh dokter hematologi untuk melakukan pemantauan pasien CML secara berkala. Pada penelitian disertasi ini, akan diteliti apakah terdapat fitur pada blood smear microscopic image yang dapat digunakan untuk untuk mendiagnosis atau mendeteksi leukemia tipe chronic myeloid leukemia berdasarkan fasenya dan dapat dibedakan dengan jenis leukemia lainnya seperti acute lymphoblastic leukemia, acute myeloid leukemia dan chronic lymphocytic leukemia dan subclass nya masing-masing. Kemudian akan dicari Classifier apa yang dapat memberikan akurasi yang baik untuk mendeteksi tipe leukemia ini. Diharapkan juga pada penelitian ini dapat memberikan kontribusi berupa dataset baru dari komunitas pasien CML yang ada di Jawa Barat.

Seiring dengan era revolusi industri 4.0 serta sebagai lanjutan eGovernment 2.0, instansi pemerintah juga berkeinginan memanfaatkan Teknologi Informasi dan Komunikasi (TIK) guna meningkatkan kemampuan mengolah, mengelola, menyalurkan dan mendistribusikan informasi baik bagi pihak internal administrasi pemerintahan maupun untuk kepentingan publik. Sesuai amanah Peraturan Presiden nomor 95 tahun 2018 tentang Sistem Pemerintahan Berbasis Elektronik (SPBE), maka pemanfaatan TIK untuk mendukung SPBE menjadi satu keharusan yang menjadi perhatian pemerintah di Indonesia. Hanya saja, penerapan SPBE di Indonesia sangat bervariasi tergantung pada jenis organisasi pemerintahan yang menjalankannya yang biasa disebut sebagai Instansi Pusat / Pemerintah Daerah disingkat IPPD. Penerapan SPBE sangat dipengaruhi oleh peran para pemangku kepentingannya [O.R. Ashaye, et.all, 2019]. SPBE juga merupakan faktor keberhasilan penerapan Smart City di suatu Kawasan. [Maria, et.all, 2018]. Salah satu peluang dalam proses peningkatan efisiensi dan efektivitas penerapan SPBE adalah dapat diterapkannya model sistem rekomendasi berbasis pada model profiling IPPD tertentu. Penerapan sistem rekomendasi telah mulai dilakukan pada area layanan Government to Business (G2B), Government to Government (G2G) termasuk layanan Government to Citizen (G2C) [Bokolo, 2021]. Namun dalam penggunaan Sistem Rekomendasi pada area Government masih ditemukan beberapa masalah pada model yang dipilih terkait dengan ketersediaan data awal pada model Case Base Reasoning (CBR), sehingga penekanan pada rencana penelitian ini akan mengembangkan pendekatan hybrid dengan dengan tambahan model Knowledge Based CBR (KB-CBR model). Dalam rencana penelitian ini juga akan dirancang model prototipe aplikasi KB-CBR sebagai sarana untuk menguji model yang telah dikembangkan tersebut dengan melakukan uji pada profiling IPPD tertentu.

Perkembangan bahasa dan bicara berkaitan dengan ketajaman pendengaran. Akibat terbatasnya pendengaran, siswa tunarungu tidak terjadi proses peniruan suara, proses peniruan hanya terbatas pada peniruan visual. Oleh sebab itu diperlukan sebuah media alternative untuk pembelajaran yang dapat membantu proses peniruan visual. Cued speech adalah isyarat gerakan tangan untuk melengkapi membaca ujaran (speechreading) (Sari & Djatmiko, 2010). Cued Speech merupakan sebuah system sosial komunikasi yang digunakan oleh siswa tunarungu. Ini 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. Penggunaan cued speech memiliki potensi menghasilkan persepsi fonologis yang tidak ada dalam input karena jumlah unit cued speech tidak selalu sesuai dengan jumlah suku kata yang diucapkan. Ketidaksetaraan ini dapat menghasilkan persepsi suku kata tambahan. Cued speech dapat menyebabkan kebingungan di anatar konsonan yang memiliki bentuk tangan yang sama. Cued speech system gerakan tangan dikembangkan dalam upaya utuk membantu anak-anak tunarungu memecahkan kode bicara dengan menghilangkan ambiguitas membaca bibir. Saat menggunakan cued speech pembicara membentuk berbagai bentuk tangan pada posisi dekat dan di sekitar mulut sehingga pendengar dapat melihat informasi yang disampaikan secara bersamaan oleh bibir dan tangan. Diperlukan suatu pendekatan baru dalam penggunaan cued speech untuk mengatasi ketidaksetaraan diatas. Pendekatan baru dalam penggunaan cued speech dapat dikolaborasikan dengan penggunaan teknologi Virtual Reality. Pembuatan media pembelajaran cued speech dengan teknologi virtual reality membutuhkan banyak data gambar yang harus diproses dan dikenali. Maka dibutuhkan teknik Reinforcement Learning untuk dapat mengolah dan mengenali data gambar melalui teknologi virtual reality. Reinforcement Learning berasal dari pembelajaran dari perspektif psikologi, dan karenanya dapat meniru kemampuan belajar manusia untuk memilih tindakan yang memaksimalkan keuntungan jangka panjang dalam interaksi mereka dengan lingkungan. Oleh karena itu, Reinforcement Learning dapat digunakan untuk mengembangkan agen yang sebanding dengan kinerja manusia. Interaksi single agen dan lingkungannya dengan disertai state, reward, dan action yang merupakan 3 elemen kunci dari RL. Secara khusus metode reinforcement learning berdasarkan model proses pengambilan keputusan Markov (Markov decision process) mencakup dua jenis. Pertama yaitu metode berbasis model seperti algoritma SARSA, di mana reinforcement learning pertama kali mempelajari pengetahuan model, kemudian mendapatkan strategi yang optimal dari pengetahuan model tersebut. Kedua adalah metode yang relevan model seperti algoritma Temporal Difference, algoritma Q-learning dan fungsi approximation. Penelitian tentang algoritma Reinforcement Learning telah membuat banyak kemajuan karena kompleksitas yang terjadi di dunia nyata. Saat ini masih banyak masalah yang harus dipecahkan dan dipelajari seperti masalah tingkatan kecepatan belajar. Masalah kecepatan belajar yang lambat sangat jelas masalahnya ada di agen dan sangat mempengaruhi praktik penerapan multi agen. Oleh karena itu, bagaimana menyatukan teknik pembelajaran mesin lainnya (seperti neural jaringan, teknik pembelajaran tanda dan sebagainya) untuk membantu sistem multi-agen untuk mempercepat pembelajaran adalah penting arah penelitian pembelajaran penguatan dan aplikasi

Permasalahan lokalisasi masih menjadi topik yang menarik untuk diteliti hingga saat ini. Lokalisasi pada wireless sensor network merupakan teknologi yang banyak diimplementasikan untuk masalah pemantauan, pemetaan, pelacakan, dan navigasi. Celah penelitian yang menjadi tantangan bagi para peneliti hingga saat ini adalah optimalisasi lokalisasi dengan mengusulkan berbagai metoda yang dapat menghasilkan pengukuran yang akurat, memiliki efisiensi energi yang tinggi, rendah biaya, robust, skalabititas yang tinggi, dan komputasi rendah. Lokalisasi pada lingkungan dinamis merupakan salah satu tantangan pada bidang lokalisasi WSN dengan melibatkan sensor node dan anchor node yang dinamis. Parameter yang menentukan optimasi lokalisasi WSN adalah jumlah anchor, trayektori/lintasan, area jangkauan, serta metoda lokalisasi yang digunakan. Tantangan pada WSN lokalisasi ini adalah halangan yang terdapat pada area lokalisasi, mengatasi derau pengukuran, menghasilkan lokalisasi yang akurat dengan efisiensi energi, biaya dan komputasi. Berdasarkan studi Pustaka, beberapa penelitian diajukan untuk mengatasi masalah ini masih menerapkan metoda konvensional untuk lokalisasi. Beberapa melakukan optimasi dan perbaikan dari metoda sebelumnya. Penelitian terkini mulai mengusulkan computational intelligence dan machine learning untuk mengatasi masalah lokalisasi dan diusulkan pula untuk menyelesaikan permasalahan optimasi trayektori untuk anchor node. Untuk mengatasi masalah halangan, maka pada penelitian ini anchor node akan dipasangkan pada sebuah UAV (Unmanned Aerial vehicle) yang akan melakukan pengiriman beacon ke semua sensor node yang berada pada area jangkauannya. Pengukuran jarak dilakukan dengan menggunakan RSSI, ketinggian UAV dan perhitungan Euclidean. RSSI dan ketinggian UAV yang diperoleh disaring dengan menggunakan Kalman filter untuk menghasilkan pengukuran yang stabil dan tahan terhadap derau pengukuran. Metoda lokalisasi untuk menentukan posisi dari suatu sensor node menggunakan Machine learning. Machine learning digunakan untuk membuat suatu model pembelajaran proses pemetaan hasil perhitungan euclidean terhadap posisinya di area lokalisasi Tantangan dari metoda ini adalah membuat suatu pemodelan matematis berdasarkan RSSI dan variabel lainnya yang mempengaruhi akurasi pengukuran. Penyaringan variabel agar rentan terhadap derau juga menjadi tantangan sehingga memungkinkan dibutuhkannya suatu modifikasi pada filter yang digunakan (Kalman filter). Tantangan lainnya adalah menentukan fitur yang akan dimodelkan pada machine learning untuk menghasilkan WSN yang kokoh (robust) efisien dari segi biaya, waktu dan energi. Mobile Anchor juga menjadi tantangan untuk menghasilkan suatu pengukuran yang akurat dan waktu tanggap yang rendah. Pemilihan jalur trayektori merupakan salah satu faktor yang mempengaruhi akurasi lokalisasi. Trayektori dapat dirancang secara statis dan dinamis sehingga menghasilkan pergerakan Mobile Anchor yang lebih efisien.

Deep learning memberikan perkembangan dalam bidang kesehatan, termasuk analisis gambar lanjutan, prediksi struktur dan fungsi molekul. Meskipun semakin banyak yang berhasil, model matematika yang mendasarinya seringkali tetap sulit dipahami oleh pikiran manusia. Deep learning telah menghasilkan kemajuan luar biasa dalam analisis gambar secara otomatis. Neural network biasanya terdiri dari banyak lapisan yang terhubung melalui banyak hubungan nonlinier yang saling terkait. Bahkan jika seseorang memeriksa semua lapisan ini dan menggambarkan hubungannya, akan sulit untuk memahami bagaimana Neural network sampai pada keputusannya. Oleh karena itu, deep learning sering dianggap sebagai ‘blackbox’. Kekhawatiran meningkat di berbagai bidang aplikasi bahwa blackbox ini mungkin bias dalam beberapa cara, dan bias seperti itu tidak diperhatikan. Terutama dalam aplikasi medis yang akan berdampak fatal. Ada banyak pendekatan yang bisa digunakan untuk membuat model implementasi AI. Masalah muncul ketika kita menggunakan metode yang cukup kompleks, seperti Deep Learning, dimana struktur jaringan sangat kompleks dan terdiri dari banyak layer, sehingga hampir tidak mungkin untuk memahami cara kerja model dengan hanya melakukan analisa bobot. Deep Learning bisa masuk kedalam kategori “kucing dalam karung” karena seperti black box dimana kita sulit untuk melihat isi dalamnya untuk memastikan cara kerja sistem AI tersebut apakah benar atau salah. Pengguna sistem AI tidak akan mudah percaya dengan sistem AI yang tidak bisa dipahami cara kerjanya apakah benar atau tidak, alias “kucing dalam karung”. Paradigma yang mendasari masalah ini termasuk dalam bidang yang disebut eXplainable AI (XAI), yang secara luas diakui sebagai fitur penting untuk penerapan praktis model AI. XAI membahas tentang cara supaya model AI dapat dipahami pengguna cara kerjanya, sehingga penguna percaya untuk menggunakan sistem AI tersebut. Diperlukan suatu pendekatan baru yang dapat membantu manusia untuk menafsirkan prediksi dari deep learning. Maka diusulkan pendekatan yang diadopsi dari pendekatan sebelumnya yaitu LIME. Tujuan penelitian ini adalah untuk memvisualisasikan aliran informasi dalam jaringan saraf dalam menggunakan faktor-faktor yang masuk akal bagi manusia, bahkan jika model yang mendasarinya menggunakan faktor yang lebih kompleks, memungkinkan pembuatan penjelasan yang dapat ditafsirkan manusia. Pada penelitian ini mendemonstrasikan pendekatan baru pada prediksi penyakit cancer kemudian akan membandingkan dan membedakan pendekatan terintegrasi baru ini dengan satu pendekatan berbeda, berdasarkan hasil yang di peroleh dari eksperimen. Tujuan dari penelitian ini adalah salah satu upaya untuk membuat hasil dari model tersebut dapat ditafsirkan dan dijelaskan terlepas dari kompleksitas model yang mendasarinya. Ini akan membantu membuat sistem AI lebih dapat dipercaya dan dapat ditindaklanjuti.

Perencanaan Kapasitas adalah sebuah proses yang digunakan untuk mengelola teknologi informasi. Tujuan utamanya adalah untuk memastikan di mana kapasitas IT sesuai dengan kebutuhan bisnis di masa sekarang dan ke depan agar menjadi lebih efektif biaya. Salah satu penerapannya adalah desain jaringan dan perencanaan kapasitas dapat dilakukan secara efisien jika perilaku lalu lintas dipahami dan pertumbuhannya diprediksi secara akurat. Jaringan kampus adalah jaringan lokal (LAN) proprietary. Perangkat jaringan yang berada di lingkungan kampus mengelola banyak data dalam suatu layanan yang sifatnya penting. Seperti data akademik mahasiswa, kepegawaian, keuangan, media pembelajaran, dan lain-lain dalam infrastruktur data center. Peningkatan pengembangan layanan dan akses aplikasi yang pesat pada kampus tersebut, maka dibutuhkan layanan hardware dan software dengan utilitas uptime 100%. Namun pengembangan layanan aplikasi yang semakin banyak dan tidak diiringi dengan perencanaan pengembangan hardware menjadi masalah besar terhadap ketersediaan layanan tersebut. Dalam kebanyakan kasus, Perencanaan kapasitas infrastruktur data center dan pengadaan hardware secara keseluruhan dilakukan tanpa metodologi yang tepat. Secara tradisional, perencanaan kapasitas server didefinisikan sebagai proses di mana departemen TI menentukan jumlah sumber daya perangkat keras server yang diperlukan untuk menyediakan tingkat layanan yang diinginkan untuk beban kerja yang diberikan dengan biaya paling rendah. Permasalahan yang terjadi adalah prediksi yang tidak tepat dalam perencanaan kapasitas layanan server pada data center, sehingga di masa pandemi Covid 19 layanan informasi pendidikan yang tidak dapat digunakan oleh pengguna pada waktu tertentu, dikarenakan banyak faktor yang tidak diukur atau dianalisa kapasitas dan spesifikasi kebutuhannya. Berdasarkan data kepuasan kualitas pembelajaran daring terhadap layanan interaksi pengguna dengan sistem LMS, menjukkan persentase mahasiswa sebesar 8% kurang, 42% cukup, 49% baik dari 599 responden. Selain itu sulitnya dalam melakukan perhitungan manajemen model kinerja menjadi masalah tersendiri dalam membuat perencanaan kapasitas server data center. Penelitian yang dilakukan mencoba membentuk framework perencanaan kapasitas berdasarkan methodology capacity planning, yaitu understanding the environment, workload characterization, workload model validation and calibration, performance model development, performance model validation and calibration, workload forecasting, performance prediction, cost model development, cost prediction, and cost/performance analysis (Daniel A. Menascé, 1998). Dikembangkan menjadi framework yang praktis dalam implementasi-nya, dengan melibatkan model machine learning dan software defined network. Organisasi IT kampus dapat mudah dalam melakukan pengembangan teknologi infomasi di layanan jaringannya.

Integrasi Digital Forensics Investigation Framework (IDFIF) dianggap metode yang fleksible dalam menangani berbagai masalah cybercrime. Fleksibilitas perangkat Internet of Things (IoT) meningkatkan kemungkinan serangan terus-menerus pada perangkat tersebut. IDFIF merupakan metode baru sehingga belum pernah digunakan dalam penanganan IoT. IoT memiliki daya pemrosesan dan memori yang rendah telah mempersulit analis keamanan untuk menyimpan catatan berbagai serangan yang dilakukan pada perangkat ini selama analisis forensik. Fleksibilitas metode IDFIF dalam proses IoT Forensics perlu diuji. Untuk menangani kesulitan dalam IoT Forensic diperlukan mekanisme analisis forensik cerdas yang secara otomatis mendeteksi serangan yang dilakukan pada perangkat IoT dengan menggunakan Algoritma Decition Tree. IDFIF diharapkan dapat menjadi metode yang fleksible dan dapat digunakan dalam proses investigasi digital forensic. Dan algoritma Decition Tree dapat dapat diterapkan dalam proses Analisa Profilling pada IoT