Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKDalam rangka menuju kemandirian teknologi roket peluru kendali , penelitian di bidang roket terus dilakukan dan Lembaga yang secara intesif melakukannya adalah LAPAN. Keberadaan LAPAN yaitu lembaga yang dimiliki oleh Pemerintah yang memiliki kewenangan untuk melakukan penelitian dalam bidang penerbangan dan keantariksaan. Salah satu kepusatan LAPAN adalah kepusatan roket yang kegiatannya adalah melakukan penelitian tentang roket untuk berbagai tujuan misalnya untuk pengorbit satelit dan peluru kendali untuk mengejar target yang masih dalam tahap eksperimental. Salah satu kendala yang dihadapi adalah uji terbang peluru kendali LAPAN selama ini belum mempunyai kemampuan untuk mengendalikan arah gerak terbang peluru kendali. Sehingga melalui metode pengendalian gerak peluru kendali pada riset ini diharapkan menambah kemampuan LAPAN untuk mengendalikan arah terbang peluru kendali. Tujuan penelitian yaitu mendapatkan pemahaman cara melakukan belokan pitch dan yaw pada peluru kendali untuk mengarah pada posisi target bergerak berdasarkan hasil simulasi terbang peluru kendali ini. Metode navigasi yang banyak digunakan untuk mengarahkan peluru kendali yaitu metode Navigasi Proporsional Proportional Navigation atau PN yaitu dengan cara mensensing posisi target dengan sensor infra red IR yang ada pada peluru kendali tersebut kemudian mengkomputasi data koordinat target tersebut untuk mengarahkan laju peluru kendali ke arah target berada. Navigasi Proporsional PN merupakan sebuah besaran nilai yang menentukan besar kecepatan sudut sebuah peluru kendali yang bertujuan untuk merubah arah vektor kecepatan linear peluru kendali sehingga mengarah pada posisi target dan mengakibatkan jarak antara keduanya mengecil. Riset ini dilakukan dengan cara mensimulasikan performa terbang peluru kendali. Simulasi terbang peluru kendali ini dibutuhkan untuk mengetahui performa terbang peluru kendali mengejar target bergerak yang mempengaruhi dinamika gerak peluru kendali menggunakan metode Navigasi Proporsional. Riset ini dibatasi pada masalah bagaimana menguji kinerja peluru kendali dalam mengejar target bergerak dengan ada gangguan eksternal. Dari hasil simulasi terbang peluru kendali sebagai pengejar target, disimpulkan bahwa metode Navigasi Proporsional mampu bekerja dengan baik untuk mengejar target bergerak.

---

ABSTRACTIn order to get the independence of rocket technology missile , research in the field of rocket continues to be done, and the Institution that intesively do is LAPAN. LAPAN is an institution owned by the Government which has the authority to conduct research in the field of aviation and space. One of LAPAN 39 s central concerns is the rocket centeredness which activities are to conduct rocket research for various purposes such as for orbiting satellites and launching missiles to pursue the targets. One of the obstacles faced by LAPAN is that the missile has not the ability to control the direction of missile flying. So through the method of controlling the motion of missiles in this research is expected to increase the ability LAPAN to control the direction of missile flying. The objective of this research is to get and gain an understanding of how to turn pitch and yaw turns on the missiles to lead to moving target positions based on the simulated results of this missile flying. The most widely used navigation method for guiding missiles is the Proportional Navigation PN method, which is by targeting the target position with the infra red IR sensors present on the missile and then computing the target coordinate data to direct the missile speed to the target direction is. Proportional Navigation PN is a quantity of values that determines the angular velocity of a missile that aims to alter the direction of the velocity of the linear velocity velocity so that it leads to the target position and causes the distance between them to narrow. This research is done by simulating the flying performance of missiles. This missile flight simulation is needed to find out the performance of missile missiles pursuing moving targets that influence the dynamics of missile motion using the Proportional Navigation method. This research is limited to the problem of how to test the performance of missiles in the pursuit of moving targets with external interference. From the simulation results of missile flying as the target pursuers, it is concluded that the Proportional Navigation method is able to work well to pursue moving target."

"Penyakit mata berat yang telat tertangani seperti katarak, glaukoma, serta retinopati diabetik merupakan salah satu penyebab utama gangguan penglihatan dan kebutaan. Pencegahan dapat dilakukan dengan melakukan pendektesian dini melalui citra fundus. Untuk mengatasi minimnya dokter mata dan persebarannya yang masih belum merata, dilakukan pendektesian penyakit mata secara otomatis melalui gambar mata dengan pendekatan deep learning. Dalam penelitian ini, digunakan metode Transfer Learning U-Net dengan VGG16 sebagai pretrained model (V-Unet) yang telah dilatih pada online database, ImageNet. Data yang digunakan dalam penelitian ini merupakan data citra fundus yang diperoleh dari platform Kaggle. Preprocessing data pada citra fundus yang dilakukan untuk meningkatkan kinerja model adalah centered crop, resize, dan rescale. Fungsi optimasi Adam digunakan untuk meminimalkan fungsi loss ketika melatih model. Pada penelitian ini, dilakukan pemisahan data training, validasi, testing dengan 3 rasio berbeda, yaitu kasus I dengan rasio 60:20:20, kasus II dengan rasio 70:20:10, dan kasus III dengan rasio 80:10:10. Hasil penelitian ini menunjukkan bahwa V-Unet memiliki kinerja paling baik pada kasus II berdasarkan skor AUC dan running time dengan nilai rata-rata skor AUC 0,8622 dan rata-rata running time 3,7079 detik sedangkan berdasarkan nilai akurasinya V-Unet memiliki kinerja paling baik pada kasus III dengan rata-rata nilai akurasi sebesar 66,34%.

---

Untreated severe eye diseases such as cataracts, glaucoma, and diabetic retinopathy is one of the main causes of visual impairment and blindness. Prevention can be done by doing early detection through fundus images. To overcome the lack of ophthalmologists and their uneven distribution, an automatic detection of eye diseases is carried out through eye images using a deep learning approach. In this study, Transfer Learning U-Net method was used with VGG16 as a pre-trained model (V-Unet) which had been trained on the online database, ImageNet . The data used in this study is fundus image data that obtained from the Kaggle platform. Preprocessing data on the fundus image that is carried out to improve model performance is centered crop, resize, and rescale. Adam's optimization function used to minimize the loss function when training the model. In this study, the training, validation, testing data was separated with 3 different ratios, namely case I with a ratio of 60:20:20, case II with a ratio of 70:20:10, and case III with a ratio of 80:10:10. The results of this study indicate that V-Unet has the best performance in case II based on the AUC score and running time with an average AUC score of 0.8622 and an average running time of 3.7079 seconds while based on accuracy value the best case is case III with an average accuracy value of 66.34%."

"ABSTRAKDiabetic Retinopathy (DR) merupakan komplikasi jangka panjang dari Diabetes Mellitus (DM) yang mempengaruhi penglihatan karena adanya mikrovaskular pada retina. Hal ini dapat mengakibatkan gangguan penglihatan dan kebutaan jika ditangani terlambat. DR dapat dideteksi melalui pemeriksaan citra fundus. Salah satu pendekatan dalam mendeteksi DR pada citra fundus yaitu dengan pendekatan deep learning yang merupakan salah satu metode implementasi dari machine learning.  Dalam penelitian ini, digunakan metode Convolutional Neural Networks (CNN) dengan arsitektur ResNet-50 dan DenseNet-121. Data yang digunakan dalam penelitian ini diambil dari DIARETDB1 yang merupakan online database yang berisi gambar fundus. Selanjutnya, dilakukan tahap preprocessing pada citra untuk meningkatkan kinerja model seperti mengambil green channel dan menerapkan inverted green channel, mengubah citra warna menjadi grayscale, dan menerapkan Contrast Limited Adaptive Histogram Equalization (CLAHE) untuk penyeragaman kontras pada citra. Hasil penelitian ini menunjukkan bahwa model ResNet-50 lebih baik dibandingkan DenseNet-121 dalam mendeteksi DR. Hasil terbaik dari beberapa kasus testing model ResNet-50 yaitu accuracy, precision, dan recall masing-masing sebesar 92,2%, 93,6%, dan 92,6% dengan running time untuk training selama 6 menit 21,296 detik dan testing selama 1,174 detik.

---

ABSTRACTDiabetic Retinopathy (DR) is a long-term complication of Diabetes Mellitus (DM) that affects vision because of the presence of microvascular retinal. This can result in visual impairment and blindness if treated late. DR can be detected by examining fundus images. One approach to detecting DR in fundus images is the deep learning approach which is one of the methods of implementing machine learning. In this study, the Convolutional Neural Networks (CNN) method is used with the ResNet-50 and DenseNet-121 architectures. The data used in this study were taken from DIARETDB1, which is an online database that contains fundus images. Then, pre-processing stage is carried out on the fundus image to improve model performance such as selected the green channel from the images and inverted it, converted the images into grayscale images, and applied Contrast Limited Adaptive Histogram Equalization (CLAHE) for uniform contrast in the images. The results of this study indicate that the ResNet-50 model is better than DenseNet-121 in detecting DR. The best results from several cases testing the ResNet-50 model are accuracy, precision, and recall of 92.2%, 93.6%, and 92.6% respectively with running time for training for 6 minutes 21.296 seconds and testing for 1.174 seconds."

"Non-Intrusive Load Monitoring (NILM) memungkinkan pendeteksian peralatan yang aktif atau tidak aktif bahkan karakteristik untuk setiap peralatan yang dipasang di rumah, industri, laboratorium, dll, dengan mendisagregasi total konsumsi listrik yang diukur di panel daya pusat. Penerapan NILM untuk energi efisiensi, manajemen energi, dan diagnosa peralatan di rumah tangga, industri atau penyedia energi telah menunjukkan peningkatan yang menjanjikan. Metode K-NN adalah salah satu metode machine learning yang paling sederhana dan umum digunakan untuk klasifikasi dengan kinerja yang baik dan bersaing dengan metode yang bahkan lebih kompleks. KNN memiliki 3 karakteristik yang dapat diubah dan dioptimalkan untuk memberikan hasil akurasi yang lebih baik, yaitu dari sisi data, algoritma jarak, dan nilai k. Dalam makalah ini metode K nearest neighbor (KNN) dilakukan pada data NILM AMPds2 yang memiliki load karakteristik yang mirip antar peralatan yang berbeda, dengan 9 algoritma jarak yang berbeda, 7 jumlah data training (10% -70%) dan dilakukan untuk variasi k ( 1-25) pada input daya Aktif serta input daya Aktif dan Reaktif untuk didapatkan hasil terbaik, Selain itu dilakukan juga metode Backpropagation Neural Network (BPNN) dengan variasi data training sebesar 25%, 50%, 75% dan 100%, jumlah hidden 10, 20 dan 30, dan jumlah iterasi 50000 dan 150000 dengan input daya aktif dan reaktif data dan 2 metode input yaitu input statis dan dinamis, dan pada akhirnya perbandingan kinerja antara metode KNN dan backpropagation untuk memisahkan data NILM AMPds2 telah dilakukan. Dari hasil pengujian dan penelitian didapatkan bahwa dengan menambahkan data daya reaktif sebagai input, hasil disagregasi pada data NILM yang mempunyai load karakteristik yang sama antara peralatan yang berbeda dengan metode KNN diperoleh akurasi lebih dari 20% lebih akurat sampai dengan 95% akurasi, dan memiliki nilai precision dan recall mencapai 0.9565, dan perbandingan performansi antara metode KNN input daya aktif dan reaktif dan metode backpropagation input daya aktif dan reaktif untuk memisahkan data NILM AMPds2 ke dalam kluster didapatkan hasil bahwa metode KNN input daya aktif dan reaktif memiliki akurasi yang bersaing dengan akurasi 95% sedangkan akurasi hasil backpropagation input dinamis 99.85%.

---

Non-Intrusive Load Monitoring (NILM) enables detection of appliances that are active or non-active even characteristics for each equipment installed in homes, industries, laboratories, etc by disaggregating total electrical consumption at the Central Power panel. The application of NILM for energy efficiency, energy management, and diagnostic equipment in households, industries or energy providers has shown promising improvement. The K-NN method is one of the most simple and commonly used machine learning methods for classifying with good performance and competing with even complex methods. K-NN has 3 characteristics that can be changed and optimized to provide better accuracy results, namely in terms of data, distance algorithm, and k value. In this paper the K nearest neighbor (KNN) method is performed on NILM AMPds2 data which having distinctive similar load characteristic between different appliances, with 9 different distances, 7 types of total training data (10% -70%) and performed for k (1-25) in single input (Active Power) and double input (Active and Reactive Power) for best result, In addition, the Backpropagation Neural Network (BPNN) methode was also carried out with variations in the training data amount of 25%, 50%, 75% and 100%, hidden number of 10, 20 and 30, and iterations number of 50000 and 150000 in double input data and 2 input methodes which are static input and dynamic input, and in the end performance comparison between KNN and backpropagation methods to disaggregate NILM AMPds2 data had done. From test and research results it was found that by adding reactive power data as input, the disaggregation results on NILM data which having distinctive similar load characteristic between different appliances with KNN methode were more than 20% accurate up to 95% accuracy and had higher precision and recall value also up to 0.9565, and also performance comparison between KNN double input and backpropagation double input methode to disaggregate NILM AMPds2 data into clusters result was found that KNN methode has shown good competitive result up to 95% accuracy while backpropagation with dynamic input accuracy result is 99.85 %."

"Improvement in this experiment are done for 3 following factors: running time, memory efficiency, and speedup. The speedup result achieved is as close as 100× increase. Naïve parallelization is used on mapping each matrices data to CUDA memories, for each major operation is done in parallel behavior via self-made CUDA kernels to suits the data dimensions. This make up the improvement of 2nd factor, which is memory efficiency. Results for kernels are captured with NVIDIA profiling tools for the increasing number of random targets on 4 transmitter-receiver (PV) combinations (without any knowledge about the approximation of targets direction). All results are taken according to the average running time of kernel calls and speed up for each size of the input, compared with serial and CPU parallel version data of the previous work. Among advanced techniques for the passive radar system’s target association, several experiments have been done based on Probability Hypothetic Density (PHD) function. The complex calculation makes the computation processes a very demanding task to be done, thus, this paper is focused on PHD function performance comparison between preceding attempts to the implementation using a pure C programming language with CUDA library. A further improvement is highly possible within algorithm optimization itself or applying more advanced parallelization technique.

---

Peningkatan yang dilakukan pada eksperimen ini meliputi 3 faktor: running time, memory efficiency, dan speedup. Hasil pengujian speedup yang diperoleh mencapai setidaknya 100x peningkatan daripada algoritma semula. Paralelisasi naif yang digunakan untuk memetakan setiap matriks data ke dalam memori CUDA, untuk setiap operasi major dilakukan secara paralel dengan CUDA kernel yang didesain mandiri sehingga dapat menyesuaikan secara otomatis dengan dimensi data yang digunakan. Hal ini memungkinkan peningkatan pada faktor yang kedua yaitu memory efficiency. Hasil dari masing-masing kernel diukur menggunakan data yang diambil dari NVIDIA profiling tools untuk data acak yang meningkat dari segi ukuran, dan diimplementasikan pada 4 kombinasi transmitter-reveiver (PV) tanpa mengetahui aproksimasi arah target. Seluruh hasil pengujian kernel diambil berdasarkan rata-rata running time dari pemanggilan kernel dan speed up dari setiap ukuran masukan, dibandingkan dengan implementasi asosiasi target secara serial dan versi paralel pada CPU dari penelitian terdahulu. Diantara teknik tingkat lanjut yang digunakan untuk menentukan asosiasi target pada sistem radar pasif, beberapa percobaan telah dilakukan berdasarkan fungsi Probability Hypothetic Density (PHD). Kalkulasi yang kompleks menghasilkan proses komputasi yang terlalu berat untuk dilakukan, maka dari itu, percobaan ini fokus kepada komparasi performa fungsi PHD antara penelitian-penelitian terdahulu dengan impleentasi fungsi tersebut pada pustaka CUDA menggunakan bahasa pemrograman C. Peningkatan lebih lanjut sangat dimungkinkan melalui optimisasi algoritma PHD sendiri atau menggunakan teknik paralelisasi yang lebih baik.

"

"Pelacakan target yang dilakukan pada quadcopter membutuhkan sensor untuk mendeteksi keberadaan target. Pada ketinggian yang tepat, kamera dapat mengambil banyak informasi mengenai lingkungan. Informasi-informasi yang didapatkan membuat kamera menjadi sensor yang baik dalam pelacakan menggunakan quadcopter. Target pada lingkungan mungkin memiliki ukuran dan orientasi berubah-ubah, maka pengolahan citra yang dapat mengatasi masalah ukuran dan orientasi objek menjadi solusinya. SURF dan CAMShift adalah metode pengolahan citra yang digunakan untuk mendeteksi target dan melacak target tanpa terpengaruh ukuran dan orientasi objek. Keluaran dari pengolahan citra menjadi input bagi pergerakan quadcopter. Pengendali Pergerakan quadcopter dapat dilihat dengan simulasi dalam Gazebo.

---

Target tracking used on quadcopter need sensor to detect the existence of target. At the right height, camera can take a lot of information about the surrounding environment. The information obtained make camera a good sensor in tracking using quadcopter. Target in the surrounding environment may have various size and orientation, that makes image processing with ability to overcome the size and orientation problem the solution. SURF and CAMShift are image processing method used to detect and track target without affected by object size and orientation. Output of image processing become input of movement control of quadcopter. Movement of quadcopter can be seen with simulation in Gazebo."

"Pada proyek pembangunan perumahan di Bintaro Jaya masalah yang terjadi ialah keterlambatan penyelesaian proyek yang diakibatkan oleh beberapa faktor resiko yang berasal dari pengendalian sumber daya material. Penelitian ini bertujuan untuk mengevaluasi dan mengembangkan pengendalian sumber daya material agar dapat meningkatkan kinerja waktu pada proyek tersebut. Analisa statistik dan analisa regresi linier berganda merupakan metode olah data yang digunakan pada penelitian ini.Hasil dari penelitian ini didapatkan 25 faktor resiko yang teridentifikasi berpengaruh terhadap kinerja waktu, yang mana 6 diantaranya merupakan faktor resiko dominan. Pembuatan respon resiko yang efektif pada pengendalian sumber daya material akan dikembangkan menggunakan metode analisa berbasis resiko pada PMBOK Guide 5th Edition 2013 dengan cara menambahkan proses baru pada alur eksisting pengendalian sumber daya material.

---

The problem that occurred at housing project in Bintaro Jaya is project delay which caused by some risk factors from controlling material resources. The purpose of this research is to evaluate and develop controlling material resources in order to improve project time performance of those projects. Statistical analysis and multiple linier regression analysis are used in this research.

This research identified that there are 25 risk factors affecting time performance, which 6 of it are dominant. The effective risk respond of controlling material resources will developed by analysis method based on risk at PMBOK Guide 5th Edition 2013 by adding new processes in existing flow of controlling material resources."

"This book provides an overview of the whole radar target recognition process, and covers the key techniques being developed for operational systems. The book is based on the fundamental scientific principles of high resolution radar, and explains how the techniques can be used in real systems. Mathematics is kept to a minimum and the complex techniques and issues are discussed in a clear and physical way in order to make it accessible both to specialists and non specialists alike."

"Tantangan besar dalam mengembangkan model prediktif yang baik untuk prediksi klaim asuransi kendaraan bermotor adalah adanya missing values dalam data. Berbagai algoritma pembelajaran mesin telah diteliti untuk mengatasi masalah missing values ini. XGBoost merupakan salah satu teknik Gradient Boosting Decision Tree (GBDT) yang terbukti unggul dibandingkan metode imputasi seperti K-Nearest Neighbors (KNN) dan mean imputation. Namun, XGBoost memiliki beberapa keterbatasan, seperti waktu pemrosesan yang lebih panjang dan perlunya untuk melakukan one-hot encoding pada variabel kategorikal. Keterbatasan yang dimiliki oleh metode XGBoost dapat diatasi oleh metode LightGBM. Penelitian ini bertujuan untuk menganalisis kinerja metode XGBoost dan LightGBM dalam memprediksi klaim asuransi kendaraan bermotor pada data yang mengandung missing values. Dataset yang digunakan berasal dari klaim asuransi kendaraan bermotor perusahaan Porto Seguro yang terdiri yang memiliki missing values hingga 70%. Evaluasi kinerja dilakukan menggunakan metrik Normalized Gini score dan training time. Penelitian ini membandingkan dua pendekatan dalam menangani missing values: tanpa imputasi dan dengan imputasi mean. Hasil penelitian menunjukkan bahwa metode XGBoost tanpa imputasi missing values memberikan kinerja terbaik dengan nilai Normalized Gini tertinggi sebesar 0,2735. Namun, XGBoost tanpa imputasi membutuhkan waktu training yang lebih lama, yaitu rata-rata 15,5841 detik. Metode LightGBM tanpa imputasi juga menunjukkan kinerja yang baik dengan nilai Normalized Gini sebesar 0,2559 dan waktu training yang lebih singkat dengan rata-rata 4,0521 detik. Pada data tanpa imputasi, XGBoost secara mutlak tetap menunjukkan kinerja terbaik dengan nilai Normalized Gini tertinggi baik pada data yang tidak diimputasi maupun telah diimputasi. LightGBM, meskipun memiliki Normalized Gini yang sedikit lebih rendah, namun lebih efisien dalam waktu training dengan waktu training hampir 4 kali lebih cepat dibandingkan XGBoost. XGBoost tanpa imputasi memberikan hasil prediksi yang lebih akurat. LightGBM tanpa imputasi menunjukkan efisiensi dalam waktu training dengan sedikit penurunan dalam Normalized Gini (6,88%) dibandingkan dengan XGBoost tanpa imputasi. Disimpulkan bahwa jika prioritas utama adalah kemampuan prediktif yang lebih baik, maka XGBoost tanpa imputasi adalah pilihan yang lebih baik. Namun, jika efisiensi waktu training menjadi prioritas utama, maka LightGBM tanpa imputasi dapat menjadi alternatif yang sangat baik karena mampu melakukan proses training dengan lebih cepat secara signifikan tanpa kehilangan kemampuan prediktif (dalam konteks ini Normalized Gini) yang signifikan.

---

The primary challenge in developing robust predictive models for motor vehicle insurance claims lies in the presence of missing values within the dataset. Several machine learning algorithms have been explored to address this issue, with XGBoost—a gradient-boosted decision tree (GBDT) technique—demonstrating superior performance compared to traditional imputation methods such as K-Nearest Neighbors (KNN) and mean imputation. However, XGBoost is constrained by certain limitations, including longer processing times and the requirement for one-hot encoding of categorical variables. These limitations can be mitigated by employing the LightGBM method. This study aims to evaluate the performance of XGBoost and LightGBM in predicting motor vehicle insurance claims in datasets containing missing values. The dataset utilized in this research is sourced from Porto Seguro’s motor vehicle insurance claims, which contains up to 70% missing values. The model performance is assessed using two key metrics: the Normalized Gini score and training time. The study compares two approaches to handling missing values: without imputation and with mean imputation.The findings reveal that XGBoost without imputation achieves the highest predictive performance, with a Normalized Gini score of 0.2735. However, this approach also entails a longer training time, averaging 15.5841 seconds. LightGBM without imputation, while producing a slightly lower Normalized Gini score of 0.2559, demonstrates superior efficiency, with a significantly reduced training time of 4.0521 seconds on average. In scenarios without imputation, XGBoost consistently delivers the highest predictive performance, both for non-imputed and imputed data. While LightGBM exhibits a marginally lower Normalized Gini score, it offers substantial improvements in training efficiency, with training times nearly four times faster than those of XGBoost. In conclusion, XGBoost without imputation provides the most accurate predictions, making it the preferable choice when predictive performance is the primary objective. However, when the primary concern is training time efficiency, LightGBM without imputation emerges as a strong alternative, offering a significant reduction in training time with only a modest decrease (6.88%) in predictive accuracy, as measured by the Normalized Gini score, compared to XGBoost without imputation."

"Penggunaan propofol semakin populer untuk sedasi selama tindakan endoskopi saluran cerna. Selain dengan bolus berkala, akhir-akhir ini telah tersedia pemberian propofol teknik target-controlled infusion (TCI). Teknik tersebut mungkin lebih menguntungkan karena dosisnya lebih efisien, efek samping yang lebih rendah dan waktu pulih yang lebih cepat. Penelitian ini bertujuan untuk membandingkan keluaran antara pemberian propofol teknik bolus berkala dengan TCI pada tindakan endoskopi saluran cerna. Keluaran yang diteliti adalah dosis total propofol, konsumsi permenit, biaya total, efek samping dan waktu pulih. METODE: Lima puluh pasien (bolus, n=25, TCI, n=25), ASA I-III, usia 18-65 tahun, IMT 18-30 kg/m2 dirandomisasi untuk mendapatkan sedasi dengan pemberian propofol bolus berkala (IB) atau target-controlled infusion (TCI) setelah dipremedikasi fentanil 1 µg/kgBB. Pasien kelompok bolus mendapatkan dosis propofol awal 1mg/kgBB dan tambahan 0.3 mg/kgBB hingga tercapai nilai IOC 45-60. Pasien kelompok TCI menggunakan aplikasi rumusan Scnider dan mendapatkan dosis konsentrasi effect-site (Ce) 3 µg/ml yang kemudian dinaikkan atau diturunkan 0.5 µg/ml hingga tercapai nilai IOC 45-60. Pemantauan dilakukan pada tanda-tanda vital, saturasi oksigen, dosis propofol, kedalaman sedasi dan waktu pulih. HASIL: Durasi tindakan pada kedua kelompok tidak berbeda bermakna (p=0.718). Dosis total propofol, konsumsi permenit dan biaya total lebih besar pada kelompok TCI (p=0.010, p= 0.004, p=0.001). Pada kedua kelompok hipotensi, desaturasi dan waktu pulih tidak berbeda bermakna (p=0.248, p=0.609, p=0,33). SIMPULAN: Hasil penelitian ini menunjukkan bahwa pemberian propofol teknik bolus berkala lebih efisien pada dosis total, konsumsi permenit dan biaya total dibandingkan TCI. Angka kejadian hipotensi dan desaturasi serta waktu pulih sebanding pada kedua kelompok.

---

Propofol has become increasingly popular for sedation during gastrointestinal endoscopic procedure. Beside intermittent bolus, recently targetcontrolled infusion (TCI ) technic has become available for administration of propofol. It has been suggested that these device may offer advantages by efficient doses, lower side effect and faster recovery time. This study aims to compare the outcome of propofol administration technic via intermittent bolus and TCI in gastrointestinal endoscopic procedures. The outcomes investigated were propofol total dose and minute consumption, total cost, side effect and recovery time.

METHODS: Fifty patients (bolus, n= 25, TCI, n=25), ASA physical status I-III, aged 18- 65 years, BMI 18-30 kg/m2 were randomly assigned to receive intermittent bolus administration (IB) or target-controlled infusion (TCI) of propofol sedation after premedication 1 µg/kgBB of fentanyl. Patients in the bolus grup received an initial propofol dose 1 mg/kgBB and additional 0.3 mg/kgBB until IOC value 45-60 is reached. Patients in the TCI group received initial concentration effect-site (Ce) 3 µg/ml using Schnider pharmacokinetic model, and then either increased or decreased 0.5 µg/ml until IOC value 45-60 is reached. Vital signs, oxygen saturation, propofol dose, sedation deepth and the recovery time were evaluated.

RESULTS: Procedure duration time between two groups were not significantly different (p=0.718). Propofol total dose and minute consumption and total cost are higher in TCI group (p=0.010, p= 0.004, p=0.001). Hypotension, desaturation and recovery time were not significantly different (p=0.248, p=0.609, p=0,33) in both groups.

CONCLUSION: Our result suggest that IB technic was more efficient for total dose, minute consumption and total cost than TCI. Hypotension, desaturation and recovery time profiles were comparable between two groups."