Hasil Pencarian  ::  Simpan CSV :: Kembali

"Coronavirus disease (COVID-19) adalah penyakit pernapasan menular yang disebabkan oleh jenis coronavirus baru. Penyakit ini sebelumnya disebut dengan 2019-nCoV atau 2019 novel coronavirus. Virus penyebab COVID-19 ini adalah SARS-CoV-2. Terdapat varian SARS-CoV-2 lain yang memiliki potensi berdampak besar bagi kesehatan masyarakat seperti Lambda dan Mu. Ada pula kelompok varian SARS-CoV-2 under monitoring yang belum diketahui dampak dan bentuk penyebarannya di tingkat masyarakat. Kappa, Iota, dan Epsilon merupakan beberapa contoh varian yang termasuk ke dalam kelompok tersebut. World Health Organization (WHO) terus melakukan pengawasan kemunculan varian SARS-CoV-2 yang baru. Varian SARS-CoV-2 yang telah diketahui penularan dan dampaknya cukup signifikan pada masyarakat hingga saat ini adalah Alpha, Beta, Delta, Gamma, dan Omicron. Penelitian ini menggunakan data dari kelima varian SARS-CoV-2 tersebut. Penelitian ini mengimplementasikan program unsupervised dari machine learning yaitu simulasi proses clustering untuk mengelompokkan varian SARS-CoV-2. Dilakukan ekstraksi fitur terhadap data sekuens protein SARS-CoV-2 menggunakan package discere dalam bahasa pemrograman Python. Melalui proses ekstraksi fitur dihasilkan 27 fitur data sekuens protein SARS-CoV-2 yang siap digunakan. Elbow method kemudian diimplementasikan terhadap data untuk mengetahui jumlah pembentukan cluster yang optimal untuk digunakan pada clustering. Berdasarkan elbow method didapatkan jumlah cluster optimal untuk simulasi clustering sebanyak  dan dilakukan juga simulasi dengan  untuk memberi kesempatan kepada seluruh varian untuk membentuk clusternya sendiri.  Metode clustering yang digunakan pada penelitian ini adalah spectral clustering. Cluster yang dihasilkan kemudian dievaluasi menggunakan metrik evaluasi silhouette score serta melihat runtime pada setiap simulasi yang dilakukan. Hasil silhouette score untuk simulasi dengan  bernilai 0,614 dan untuk simulasi dengan  yang bernilai 0,631. Durasi rata-rata runtime mencatat bahwa simulasi dengan  dengan 6,566 detik lebih baik dibanding simulasi dengan  dengan 7,529 detik. Berdasarkan hasil tersebut, spectral clustering dapat dilakukan terhadap varian SARS-CoV-2 dengan pemilihan jumlah cluster  menggunakan elbow method.

---

Coronavirus disease (COVID-19) is an infectious respiratory disease caused by a new type of coronavirus. This disease was previously called 2019-nCoV or 2019 novel coronavirus. The virus that causes COVID-19 is the SARS-CoV-2. There are several variants of SARS-CoV-2 that have the potential to have a major impact on public health, such as Lambda and Mu. There is also a group of variants of SARS-CoV-2 under monitoring whose impact and form of spread are unknown at the community level. Kappa, Iota, and Epsilon are some examples of variants that belong to this group. The World Health Organization (WHO) continues to monitor the emergence of a new variant of SARS-CoV-2. The variants of SARS-CoV-2 that are known to transmit and have a significant impact on society so far are Alpha, Beta, Delta, Gamma and Omicron. This study uses data from that five variants of SARS-CoV-2. This study implements an unsupervised program from machine learning, which is a simulation of the clustering process to group variants of SARS-CoV-2 . Feature extraction was carried out on the SARS-CoV-2 protein sequence data using discere package in the Python programming language. Through the feature extraction process, 27 features of the SARS-CoV-2 protein sequence data were produced which were ready for use. The elbow method is then implemented on the data to find out the optimal number of cluster formations for use in clustering. Based on the elbow method, the optimal number of clusters for the clustering simulation is  and a simulation with  is also carried out to provide an opportunity for all variants to form their own clusters. The clustering method used in this study is spectral clustering. The resulting clusters are then evaluated using the silhouette score evaluation metric and looking at the runtime in each simulation that is performed. The results of the silhouette score for the simulation with  is worth 0.614 and for the simulation with  it is worth 0.631. The average duration of the runtime noted that the simulation with  with 6.566 seconds was better than the simulation with  with 7.529 seconds. Based on these results, spectral clustering can be carried out on the SARS-CoV-2 variant by selecting the number of  clusters using the elbow method."

"

Penelitian ini bertujuan untuk melakukan pengelompokan varian virus SARS-CoV-2 melalui proses clustering menggunakan metode unsupervised learning. Data yang digunakan adalah sekuens protein SARS-CoV-2 yang diekstraksi fiturnya menggunakan paket Discere dalam bahasa pemrograman Python. Sebanyak 27 fitur dihasilkan dan diseleksi dengan metode seleksi fitur Least Absolute Shrinkage and Selection Operator (LASSO). Metode Elbow digunakan untuk menentukan jumlah cluster yang optimal. Dalam penelitian ini, digunakan metode clustering K-Means dan Balanced Iterative Reducing and Clustering using Hierarchies (BIRCH). Evaluasi hasil clustering dilakukan menggunakan metrik evaluasi Silhouette Score dan Davies-Bouldin Index, serta memperhatikan waktu runtime untuk setiap simulasi. Hasil evaluasi kemudian dibandingkan untuk melihat perbedaan performa antara kedua metode clustering yang digunakan, serta pengaruh seleksi fitur terhadap performa clustering. Hasil terbaik diperoleh pada simulasi dengan metode clustering BIRCH + LASSO, dengan nilai Silhouette Score 0,74186 untuk jumlah cluster k=4 dan 0,73207 untuk k=5. Nilai Davies-Bouldin Index terbaik juga diperoleh pada simulasi tersebut, yaitu 0,42697 untuk k=4 dan 0,37949 untuk k=5. Waktu runtime terbaik tercatat pada simulasi dengan metode K-Means + LASSO, yaitu 0,21551 detik untuk k=4 dan 0,17539 detik untuk k=5. Dapat disimpulkan bahwa metode BIRCH menghasilkan cluster yang lebih baik berdasarkan metrik evaluasi, namun K-Means memberikan proses clustering yang lebih cepat. Seleksi fitur dengan metode LASSO juga membantu meningkatkan performa clustering.

---

This study aims to perform clustering of SARS-CoV-2 virus variants using unsupervised learning methods. The data used consists of SARS-CoV-2 protein sequences whose features are extracted using the Discere package in the Python programming language. A total of 27 features are generated and selected using the Least Absolute Shrinkage and Selection Operator (LASSO) feature selection method. The Elbow method is employed to determine the optimal number of clusters for the clustering process. The clustering methods used in this research are K-Means clustering and Balanced Iterative Reducing and Clustering using Hierarchies (BIRCH). The clustering results are evaluated using the Silhouette Score and Davies-Bouldin Index metrics, while also considering the runtime for each simulation. The evaluation results are then compared to examine the performance differences between the two clustering methods and the impact of feature selection on clustering performance. The best Silhouette Score is obtained in the simulation using the BIRCH + LASSO clustering method, with a value of 0.74186 for k=4 and 0.73207 for k=5. The best Davies-Bouldin Index is also achieved in the same simulation, with values of 0.42697 for k=4 and 0.37949 for k=5. The fastest runtime is recorded in the simulation using the K-Means + LASSO method, with a time of 0.21551 seconds for k=4 and 0.17539 seconds for k=5. In conclusion, the BIRCH method yields better clustering results based on the evaluation metrics, while K-Means provides faster clustering processes. The LASSO feature selection method also aids in improving clustering performance.

"

"Salah satu terapi COVID-19 adalah plasma konvalesen yang disiapkan Unit Transfusi Darah dari donor yang telah sembuh dari COVID-19. Plasma konvalesen mengandung antibodi netralisasi yang menghambat interaksi antara protein S dengan reseptor ACE2 dengan persyaratan minimal titer 1:160 sehingga diperlukan sistem deteksi antibodi netralisasi seperti tes serologi berbasis ELISA kompetitif yang mudah, murah, cepat dan tidak membutuhkan BSL 3 atau 2. Uji ini membutuhkan protein rekombinan spike S1 yang dapat diekspresikan pada sistem ekspresi mamalia. Penelitian ini bertujuan untuk mendeteksi antibodi spesifik SARS-CoV-2 pada plasma konvalesen COVID-19 menggunakan protein rekombinan Spike S1.Penelitian ini menggunakan plasmid pD609 sebagai vektor ekspresi yang terdapat gen spike S1. DNA ditransfeksi secara transien ke sel CHO. Immunostaining dilakukan setelah transfeksi untuk melihat ekspresi protein rekombinan spike S1 pada sel CHO. Supernatan media sel CHO post transfeksi dianalisis dengan western blot dan ELISA untuk melihat reaktifitas terhadap serum konvalesen COVID-19. Hasil immunostaining menunjukkan plasmid pD609 S1 Spike Foldon-His dapat mengekspresikan protein rekombinan spike S1 SARS-CoV-2 pada sel CHO. Hasil Western Blot dan ELISA menunjukkan supernatan media sel kultur CHO post transfeksi reaktif terhadap serum konvalesen COVID-19. Protein rekombinan spike S1 memiliki potensi untuk dikembangkan dan digunakan dalam uji antibodi spesifik namun hasil ekspresi protein masih rendah.

---

One of the therapies for COVID-19 is convalescent plasma prepared by the Blood Transfusion Unit from donors who have recovered from COVID-19. Convalescent plasma contains neutralizing antibodies that inhibit the interaction between S protein and ACE2 receptors with a minimum requirement of a titer of 1:160 so that a neutalizing antibody detection system is needed such as a competitive ELISA-based serological test that is easy, inexpensive, fast, and does not require BSL 3 or 2. S1 spike recombinant protein that can be expressed in mammalian expression systems. This study aims to detect SARS-CoV-2 specific antibodies in COVID-19 convalescent plasma using recombinant Spike S1 protein. This study used the pD609 plasmid as an expression vector containing the spike S1 gene. DNA was transiently transfected into CHO cells. Immunostaining was performed after transfection to see the expression of the S1 spike recombinant protein in CHO cells. The post-transfected CHO cell media supernatans were analyzed by western blot and ELISA to see the reactivity to COVID19 convalescent serum. Immunostaining results showed that the plasmid pD609 S1 Spike Foldon-His could express the SARS-CoV-2 spike S1 recombinant protein in CHO cells. The results of Western blot and ELISA showed that the post-transfection CHO cell culture media supernatant was reactive to COVID-19 convalescent serum. S1 spike recombinant protein has the potential to be developed and used in specific antibody assays, but the results of protein expression is still low."

"Berdasarkan data WHO pada pertengahan Juli 2021 lebih dari 185,2 juta orang di seluruh dunia terinfeksi virus corona atau Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Virus ini menyerang penapasan manusia yang dapat mengakibatkan infeksi paru-paru pada manusia dan bahkan dapat menyebabkan kematian. Tercatat bahwa lebih dari 4 juta orang di seluruh dunia meninggal akibat terinfeksi virus corona. Di Indonesia sendiri pada pertengahan Juli 2021 tercatat lebih dari 2,4 juta orang ternfeksi virus corona dan lebih dari 65,4 ribu orang meninggal akibat terinfeksi virus corona. Berdasarkan data tersebut, perlu dilakukan analisis kekerabatan virus SARS-CoV-2 untuk mengurangi penyebaran dan memberikan batasan sosial dari negara satu dengan negara lainnya. Identifikasi kekerabatan dari virus covid-19 dan penyebarannya dapat dilakukan dengan cara pembentukan pohon filogenetik dan clustering. Pada penelitian ini pohon filogenetik akan dibangun berdasarkan metode Hierarchical Clustering dengan menggunakan metode Multiple Encoding Vector dan K-Mer berdasarkan translasi DNA kodon menjadi asam amino. Jarak Euclidean akan digunakan untuk menentukan matriks jarak. Penelitian ini selanjutnya menggunakan metode K- Means Clustering untuk melihat penyebarannya, dimana nilai k ditentukan dari jumlah centroid yang dihasilkan dari metode Hierarchical Clustering. Penelitian ini mengambil sampel barisan DNA SARS-CoV-2 dari beberapa negara yang tertular. Dari hasil simulasi, nenek moyang SARS-CoV-2 berasal dari China. Hasil analisis juga menunjukkan bahwa leluhur covid-19 yang paling dekat dengan Indonesia berasal dari India, Australia dan Spanyol. Selain itu dari hasil simulasi dihasilkan bahwa barisan DNA SARS-CoV-2 terdiri dari 9 cluster dan cluster keenam adalah kelompok yang memiliki anggota paling banyak. Hasil analisis juga menunjukkan bahwa metode ini sangat opitimal dalam pengelompokan data dengan nilai 97.4%.

---

Based on WHO data in middle of July 2021, Coronavirus or Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) is infecting more than 185.2 million people worldwide. The virus attacks human breathing, which can cause lung infections and can even cause death. More than 4 million people worldwide have died due to being infected with the coronavirus. In Indonesia alone, in mid-July 2021, there were more than 2.4 million people infected with the corona virus and more than 65.4 thousand people died from being infected with the corona virus. Based on those covid-19 survivor data, it is necessary to carry out a kinship analysis of the coronavirus to reduce its spreading. Identification of the kinship of the covid- 19 virus and its spread can be done by forming a phylogenetic tree and clustering. This study uses the Multiple Encoding Vector method and K-mer based on translation DNA codon to amino acid in analyzing sequences and Euclidean Distance to determine the distance matrix. This research will then use the Hierarchical Clustering method to determine the number of initial centroids and cluster, which will be used later by the K-Means Clustering method kinship in SARS-CoV-2 DNA sequence. This study took samples of DNA sequences of SARS-CoV-2 from several infected countries. From the simulation results, the ancestors of SARS-CoV-2 came from China. The results of the analysis also show that the closest ancestors of covid-19 to Indonesia came from India, Australia and Spain. In addition, the ancestors of SARS-CoV-2 came from China. The SARS- CoV-2 DNA sequence is also consisted of 9 clusters, and the sixth cluster is the group that has the most members. The results also show that this method is very optimal in a grouping of data with a value of 97.4%."

"Pendeteksian topik merupakan masalah komputasi yang menganalisis kata-kata dari suatu data teks untuk menemukan topik yang ada di dalam teks tersebut. Pada data yang besar, pendeteksian topik lebih efektif dan efisien dilakukan dengan metode machine learning. Data teks harus diubah ke dalam bentuk representasi vektor numeriknya sebelum dimasukkan ke model machine learning. Metode representasi teks yang umum digunakan adalah TF-IDF. Namun, metode ini menghasilkan representasi data teks yang tidak memperhatikan konteksnya. BERT (Bidirectional Encoder Representation from Transformer) merupakan metode representasi teks yang memperhatikan konteks dari suatu kata dalam dokumen. Penelitian ini membandingkan kinerja model BERT dengan model TF-IDF dalam melakukan pendeteksian topik. Representasi data teks yang diperoleh kemudian dimasukkan ke model machine learning. Salah satu metode machine learning yang dapat digunakan untuk menyelesaikan masalah pendeteksian topik adalah clustering. Metode clustering yang populer digunakan adalah Fuzzy C-Means. Namun, metode Fuzzy C-Means tidak efektif pada data berdimensi tinggi. Karena data teks berita biasanya memiliki ukuran dimensi yang cukup tinggi, maka perlu dilakukan proses reduksi dimensi. Saat ini, terdapat metode clustering yang melakukan reduksi dimensi berbasis deep learning, yaitu Deep Embedded Clustering (DEC). Pada penelitan ini digunakan model DEC untuk melakukan pendeteksian topik. Eksperimen pendeteksian topik menggunakan model DEC (member) dengan metode representasi teks BERT pada data teks berita menunjukkan nilai coherence yang sedikit lebih baik dibandingkan dengan menggunakan metode representasi teks TF-IDF.

---

Topic detection is a computational problem that analyzes words of a textual data to find the topics in it. In large data, topic detection is more effective and efficient using machine learning methods. Textual data must be converted into its numerical vector representation before being entered into a machine learning model. The commonly used text representation method is TF-IDF. However, this method produces a representation of text data that does not consider the context. BERT (Bidirectional Encoder Representation from Transformers) is a text representation method that pays attention to the context of a word in a document. This study compares the performance of the BERT model with the TF-IDF model in detecting topics. The representation of the text data obtained is then entered into the machine learning model. One of the machine learning methods that can be used to solve topic detection problems is clustering. The popular clustering method used is Fuzzy CMeans. However, the Fuzzy C-Means method is not effective on high-dimensional data. Because news text data usually has a high dimension, it is necessary to carry out a dimension reduction process. Currently, there is a clustering method that performs deep learning-based dimension reduction, namely Deep Embedded Clustering (DEC). In this research, the DEC model is used to detect topics. The topic detection experiment using the DEC (member) model with the BERT text representation method on news text data shows a slightly better coherence value than using the TF-IDF text representation method."

"Mata merupakan salah satu dari panca indra yang digunakan untuk melihat dan menjadi aset terpenting dalam hidup manusia. Salah satu bagian terpenting dari mata ialah kelopak mata di mana terdapat sebuah kelenjar yang disebut kelenjar meibom. Kelenjar ini berada pada lapisan air mata yang berguna untuk menyekresikan komponen minyak atau lipid dan berperan penting dalam memperlambat proses evaporasi yang menyebabkan terjaganya kelembapan pada mata. Kekurangan kelenjar meibom yang dikenal sebagai Disfungsi Kelenjar Meibom (DKM) merupakan penyebab utama dari penyakit mata kering. Karena proses diagnosis yang dikerjakan oleh tenaga medis terbilang subjektif, maka penelitian ini menggunakan pendekatan deep learning untuk melakukan klasifikasi pada tingkat keparahan dari DKM. Klasifikasi dilakukan dengan membagi tingkat keparahan atau kehilangan kelenjar meibom berdasarkan hasil meiboscore-nya menjadi 4 kelas, yaitu kelas 0 untuk meiboscore ≤ 25%, kelas 1 untuk 25% < meiboscore ≤ 50%, kelas 2 untuk 50% < meiboscore ≤ 75%, dan kelas 3 untuk meiboscore  > 75%. Metode deep learning yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur AlexNet. Data yang digunakan pada penelitian ini adalah 139 citra meibography yang bersumber dari Rumah Sakit Ciptomangunkusumo (RSCM) Departemen Kirana dari 35 pasien mata kering yang sudah mengalami augmentasi dan segmentasi, sehingga data akhir yang digunakan yaitu sebanyak 417 citra segmentasi. Pada tahap pre-processing, dilakukan perhitungan meiboscore dengan bantuan software dan membaginya ke dalam 4 kelas sesuai dengan nilai meiboscore­-nya. Citra yang sudah dilabel ini kemudian dibagi menjadi 80% data training dan 20% data testing. Dari 80% data training, diambil 10% untuk dijadikan data validation, sehingga 417 data tersebut terbagi menjadi 299 data training, 84 data testing, serta 34 data validation. Training model dilakukan menggunakan arsitekur AlexNet dengan hyperparameter berupa epoch sebanyak 100, batch size 32, dan learning rate 0,0001. Pada arsitektur ini juga diterapkan fungsi optimasi yaitu Adam (Adaptive moment estimation) dan fungsi loss categorical cross entropy. Proses modelling dilakukan sebanyak 5 kali percobaan dan memperoleh nilai rata-rata akurasi training dan validation sebesar 99,59% dan 99,41% dan nilai dari loss training dan loss validation sebesar 0,1259 dan 0,0524. Sedangkan rata-rata kinerja testing model berhasil memperoleh akurasi testing sebesar 87,38%; testing loss sebesar 0,5151; dan Area Under Curve (AUC) sebesar 0,9715.

---

The eye is one of the five senses used to see and is the most important asset in human life. One of the most important parts of the eye is the eyelid where there is a gland called meibomian gland. This gland is located in the tear film which is useful for secreting oil or lipid components and plays an important role in slowing down the evaporation process which leads to maintaining moisture in the eye. Meibomian gland deficiency, known as Meibomian Gland Dysfunction (MGD), is a major cause of dry eye disease. Since the diagnosis process carried out by medical personnel is subjective, this study uses a deep learning approach to classify the severity of MGD. Classification is done by dividing the severity or loss of meibomian glands based on meiboscore results into 4 classes, namely class 0 for meiboscore ≤ 25%, class 1 for 25% < meiboscore ≤ 50%, class 2 for 50% < meiboscore ≤ 75%, and class 3 for meiboscore > 75%. The deep learning method used is Convolutional Neural Network (CNN) with AlexNet architecture. The data used in this study are 139 meibography images sourced from Ciptomangunkusumo Hospital (RSCM) Kirana Department from 35 dry eye patients that have undergone augmentation and segmentation, so that the final data used is 417 segmentation images. In the pre-processing stage, meiboscore was calculated with the help of software and divided into 4 classes according to the meiboscore value. The labeled images were then divided into 80% training data and 20% testing data. From 80% of the training data, 10% is taken to be used as validation data, so that the 417 data is divided into 299 training data, 84 testing data, and 34 validation data. The training model is carried out using the AlexNet architecture with hyperparameters in the form of epochs of 100, batch size 32, and learning rate 0,0001. In this architecture, the optimization function Adam (Adaptive moment estimation) and categorical cross entropy loss function are also applied. The modeling process was carried out 5 times and obtained an average training and validation accuracy value of 99,59% and 99,41% and the value of training loss and validation loss of 0,1259 and 0,0524. While the average performance of the testing model successfully obtained a testing accuracy of 87,38%; testing loss of 0,5151; and Area Under Curve (AUC) of 0,9715."

"Kekayaan mineral yang ada di Indonesia terutama besi menjadi salah satu komoditi kebutuhan kehidupan manusia pada zaman ini. Kalimantan Tengah menjadi salah satu daerah dengan prospek bijih besi di Indonesia. Dalam meninjau endapan bijih besi digunakan metode Resisitivitas dan Induced Polarization yang berguna untuk mendeteksi keberadaan suatu mineral dalam litologi batuan bawah permukaan. Penelitian ini menggunakan nilai dari resistivitas dan chargeability untuk menghasilkan gambaran endapan bijih besi. Konfigurasi yang digunakan adalah Wenner karena memiliki resolusi vertikal yang baik dan memiliki sensitivitas yang tinggi terhadap perubahan secara lateral. Terdapat tujuh lintasan akuisisi data dengan panjang ±470 meter dengan arah lintasan dari Barat Laut ke Tenggara. Proses pengolahan data menggunakan metode inversi untuk menghasilkan penampang 2D. Variasi nilai resistivitas berkisar diantara 10 – 8000 Wm yang menunjukkan litologi pasir, lempung, batuan andesit dan tuf serta nilai chargeability berkisar 5 – 450 msec yang menunjukkan adanya mineral konduktif yang berupa bijih besi. Visualisasi dari pemodelan 3-D didapatkan dari penggabungan hasil inversi penampang 2-D. Pemodelan ini menghasilkan volume dari anomali yang diduga bijih besi pada daerah tersebut adalah 823.129 m³

---

The mineral wealth in Indonesia, particularly iron, has become a crucial commodity for human life in the modern era. Central Kalimantan is one of the regions in Indonesia with promising iron ore prospects. To investigate iron ore deposits, the Resistivity and Induced Polarization (IP) methods are utilized, which are effective in detecting the presence of minerals within subsurface lithology. This study employs resistivity and chargeability values to generate a depiction of iron ore deposits. The Wenner configuration was chosen for its good vertical resolution and high sensitivity to lateral changes. Seven data acquisition lines, each approximately 470 meters in length, were oriented from the northwest to the southeast. Data processing involved inversion methods to produce 2D cross-sections. The resistivity values ranged from 10 - 8000 Ωm, indicating lithologies of sand, clay, andesitic rock, and tuff, while the chargeability values ranged from 5 - 450 msec, suggesting the presence of conductive minerals, specifically iron ore. A 3D visualization was obtained by combining the inversion results of the 2D cross-sections. This modeling estimated the volume of the anomaly, presumed to be iron ore, in the area to be 823.129 m³."

"Daerah Sipoholon merupakan daerah yang terletak pada zona Sesar Sumatera dimana sekitar wilayah ini ditemukan keberadaan manifestasi panas bumi berupa sumber air panas yang berada di sepanjang zona patahan dan Cekungan Tarutung. Penelitian ini dilakukan untuk mengidentifikasi litologi bawah permukaan wilayah Sipoholon melalui analisis karakter nilai kecepatan grup gelombang Rayleigh yang diperoleh menggunakan metode ambient noise tomography (ANT). Dalam penelitian ini menggunakan data waveform berkomponen vertikal yang berasal 15 jaringan sensor seismik milik BMKG-GFZ yang tersebar luas di sekitar bagian barat Danau Toba hingga Tapanuli Tengah selama rentang bulan Juni – September 2008. Proses pengolahan dilakukan melalui rangkaian single data preparation, korelasi silang & stacking, kurva dispersi, dan tomografi. Hasil tomografi menunjukan variasi zona anomali kecepatan grup gelombang Rayleigh dengan rentang nilai 1.20 km/s - 2.50 km/s. Berdasarkan hasil checkerboard test wilayah bawah permukaan yang mampu dipercaya untuk diinterpretasikan sampai dengan periode 13 detik. Keberadaan kaldera tersembunyi mampu teridentifikasi pada zona anomali kecepatan grup rendah yang berkaitan dengan deformasi dari batuan beku vulkanik yang mengalami pelapukan. Sementara itu, zona anomali kecepatan grup tinggi berasosiasi dengan keberadaan litologi tuffa Toba yang diikuti keberadaan batuan granit sebagai batuan intrusi pada lapisan bawah.

---

The Sipoholon area is an area located in the Sumatra Fault zone where around this area there are geothermal manifestations in the form of hot springs located along the fault zone and Tarutung Basin. This study was conducted to identify the subsurface lithology of the Sipoholon area through the Rayleigh wave group velocity value obtained using the ambient noise tomography (ANT) method. In this study, we used vertical waveform data from a network of 15 seismic sensors owned by BMKG-GFZ that were widely distributed around the western part of Lake Toba to Central Tapanuli during June - September 2008. Processing stages are carried out from the single data preparation stage, cross-correlation & stacking, dispersion curves, and tomography. The tomography results show variations in the Rayleigh wave group velocity anomaly zone with a value range of 1.20 km/s - 2.50 km/s. Based on the results of the checkerboard test, subsurface areas that can be reliably interpreted up to a period of 13 seconds. The existence of a hidden caldera can be identified in the low group velocity anomaly zone related to the deformation of volcanic igneous rocks undergoing weathering. Meanwhile, the high group velocity anomaly zone is associated with the presence of Toba tuff lithology followed by the presence of granite rocks as intrusive rocks in the lower layers."

"Dampak dari letak geografis Indonesia yang diapit dua samudera dan dikelilingi laut membuat Indonesia memiliki laju konveksi yang tinggi. Hal ini menyebabkan banyaknya awan konveksi dan kelimpahan hujan sepanjang tahun sehingga informasi mengenai hujan merupakan hal yang penting terutama untuk sektor pertanian. Kejadian hujan dipengaruhi oleh karakteristik awan, diantaranya ketinggian dan temperatur yang dapat diukur menggunakan instrumen radar dan satelit. Pada penelitian ini, dilakukan estimasi kejadian hujan dengan meninjau karakteristik ketinggian dan temperatur awan bulan Desember 2021 di Provinsi Lampung menggunakan tree-based ensemble learning. Hasil dari studi ini akan menunjukkan algoritma terbaik yang dapat mengklasifikasikan kejadian hujan berdasarkan ketinggian dan temperatur awan. Berdasarkan penelitian yang telah dilakukan, didapatkan hasil MCC pada Random Forest sebesar 0.125, Light Gradient Boosting Machine sebesar 0.229, Adaptive Boosting sebesar 0.135, dan Extreme Gradient Boosting sebesar 0.227. Hasil analisis menunjukkan bahwa algoritma terbaik untuk klasifikasi biner kejadian hujan berdasarkan data ketinggian dan temperatur awan adalah algoritma Light Gradient Boosting Machine.

---

The geographical location of Indonesia, situated between two oceans and surrounded by seas, leads to high convective activity. This results in abundant convective clouds and rainfall throughout the year, making rainfall information crucial, especially for the agricultural sector. Rainfall events are influenced by cloud characteristics, including height and temperature, which can be measured using radar and satellite instruments. In this study, rainfall events were estimated by examining the characteristics of cloud height and temperature in December 2021 in Lampung Province using tree-based ensemble learning. The results of this study will indicate the best algorithm for classifying rainfall events based on cloud height and temperature. Based on the research conducted, the MCC results were found to be 0.125 for Random Forest, 0.229 for Light Gradient Boosting Machine, 0.135 for Adaptive Boosting, and 0.227 for Extreme Gradient Boosting. The analysis results indicate that the best algorithm for binary classification of rainfall events based on cloud height and temperature data is the Light Gradient Boosting Machine algorithm."

"Wilayah Pulau Bali dan Nusa Tenggara merupakan bagian dari seismotektonik busur aktif. Penelitian ini bertujuan untuk mengidentifikasi dan menganalisis karakteristik gempa swarm di Bali–Nusa Tenggara. Gempa swarm diidentifikasi menggunakan analisis spasiotemporal dari data BMKG tahun 2012-2021 dengan ketentuan sekumpulan gempa yang berkurumun rapat dalam ruang dan waktu yang singkat tanpa ada gempa utama dengan magnitudo tertinggi. Gempa swarm ditemukan di tujuh daerah, yaitu bagian utara Pulau Lembata, di Nusa Tenggara Timur bagian Tengah, di Pulau Sangeang, di Pulau Bali, di bagian utara Lombok, di barat daya dari Pulau Sumba, dan di Bima, Nusa Tenggara Barat. Dari ketujuh daerah tersebut, dipilih kumpulan gempa di barat daya Pulau Sumba untuk diteliti menggunakan cross-correlation karena berada diantara Busur Sunda dan Sesar Flores. Secara manual dipilih waktu kedatangan fase P dan gelombang seismik dilakukan cross-correlation untuk mengidentifikasi korelasi antar gelombang. Hasil dari cross-correlation menunjukkan nilai koefisien korelasi tertinggi pada 0.68597 antara gempa pada 2020-08-08 11:37 dengan gempa pada 2020-08-09 04:53. Hasil analisis cross-correlation menunjukkan bahwa gelombang kurang saling berkorelasi. Hal ini menunjukkan kejadian-kejadian gempa tersebut tidak bersumber dari sumber yang sama.

---

The areas of the islands of Bali and Nusa Tenggara are part of an active seismotectonic arc. This research aims to identify and analyze the characteristics of earthquake clusters in Bali–Nusa Tenggara. Earthquake clusters were identified using spatiotemporal analysis from BMKG data for 2012-2021 with the provisions of earthquake clusters that are tightly clustered in a short space and time without any main earthquake with the highest magnitude. Earthquake swarms were found in seven areas, namely the northern part of Lembata Island, in the central part of East Nusa Tenggara, on Sangeang Island, on Bali Island, in the northern part of Lombok, in the southwest of Sumba Island, and in Bima, West Nusa Tenggara. Of the seven areas, the earthquake group in the southwest of Sumba Island was chosen to be studied using cross correlation because it is located between the Sunda Arc and the Flores Fault. Manually selected arrival times of the P phase and seismic waves were cross-correlated to identify correlations between waves. The results of the cross correlation show the highest correlation coefficient value at 0.68597 between the earthquake on 08-08-2020 11:37 and the earthquake on 08-09-2020 04:53. The cross-correlation analysis indicated that the waves were weakly correlated, suggesting that these earthquake events did not originate from the same source."