Hasil Pencarian  ::  Simpan CSV :: Kembali

"Jerami padi merupakan salah satu limbah pertanian yang sangat melimpah di Indonesia. Jerami padi mengandung polisakarida dalam bentuk selulosa dan hemiselulosa, yang dapat dimanfaatkan sebagai bahan baku dalam produksi bioetanol. Penelitian ini bertujuan untuk melihat efektivitas produksi bioetanol dari sampel hidrolisat jerami padi dengan menggunakan ragi roti (ragi kering-Fermipan) dan ragi tapai (ragi padat-Sae). Penelitian dilakukan dengan memfermentasikan sampel menggunakan kedua jenis ragi tersebut dan isolat murni khamir Saccharomyces cerevisiae sebagai kontrol. Kadar glukosa diukur menggunakan glucometer dan kadar bioetanol dianalisis menggunakan high-performance liquid chromatography. Rancangan penelitian menggunakan Split Plot Design dengan dua faktor perlakuan; pemberian ragi (R) dan waktu fermentasi (T). Hasil penelitian menunjukkan bahwa kedua jenis ragi pada produksi kadar bioetanol dari sampel memberikan pengaruh yang tidak berbeda nyata; namun perlakuan Sae menghasilkan kadar bioetanol yang lebih tinggi dibandingkan dengan perlakuan Fermipan; laju produksi bioetanol pada perlakuan Sae juga lebih tinggi dibandingkan dengan laju produksi bioetanol pada perlakuan Fermipan. Kesimpulan dari penelitian adalah perlakuan Sae lebih efektif dalam memproduksi bioetanol dari sampel hidrolisat jerami padi.

---

Rice straw is one of the most abundant agricultural waste in Indonesia. Rice straw contains polysaccharide in the form of cellulose and hemicellulose, which can be used as raw materials in the production of bioethanol. This study aims to examine the effectiveness of bioethanol production from rice straw‘s hydrolyzate using baker's yeast (dry starter - Fermipan) and tapai‘s starter (solid starter - Sae).

Research was carried out by fermenting the sample using two types of starters with a control of pure yeast Saccharomyces cerevisiae. Glucose level was measured by using glucometer and ethanol level was analyzed by using high-performance liquid chromatography. This study using Split Plot Design with two treatment factors; starter‘s inoculum (R) and time of fermentation (T).

The study shows that both types of starters has no significant difference on the bioethanol level production; however, Sae‘s treatment produced higher level of bioethanol compared to the Fermipan‘s; rate of bioethanol production at Sae‘s treatment is also higher than the rate of bioethanol production in Fermipan‘s. The conclusion of the study is Sae is more effective in producing bioethanol from rice straw hydrolyzate samples."

"Kajian perencanaan pembangkitan listrik tenaga gas (PLTG) di anjungan Krisna-P CNOOC SES Ltd, dilandasi pertimbangan terbuangnya raw associated gas (RAG). Disisi lain, CNOOC SES Ltd memiliki kontrak penjualan non associated gas ke PLN untuk PLTGU Cilegon. Sebagian non associated gas (gas ekonomis) juga dimanfaatkan sendiri oleh CNOOC SES Ltd untuk pembangkit listrik menggunakan generator turbin gas. Karena kebutuhan akan listrik yang cukup besar maka konsumsi gas untuk pembangkitan sendiri juga besar. Keadaan ini memberi peluang untuk menghemat penggunaan gas bilamana merencanakan pembangkitan listrik yang tidak mengkonsumsi gas ekonomis ini. Kenyataan bahwa anjungan Krisna-P memiliki sambungan listrik dengan jala-jala kelistrikan CNOOC SES Ltd, memungkinkan perencanaan pembangkitan di anjungan Krisna-P memanfaatkan gas buang ini. Dengan masuknya suplai listrik dari anjungan Krisna-P, membuat penghematan gas ekonomis, sehingga mobilisasi gas ke PLN bisa lebih besar lagi dan memberi keuntungan kepada CNOOC SES Ltd. Dengan demikian kajian keekonomian perencanaan pembangkitan di Krisna-P perlu dilakukan, dengan membandingkan keuntungan ekonomis dari tambahan gas yang di jual ke PLN, karena penghematan ini terhadap biaya investasi yang di perlukan.

---

Study of planning of electrical power generation by gas resources at Krisna-P platform is based on consideration of raw associated gas (RAG) wasting. At the other side, CNOOC SES Ltd have contract of gas selling to PLN for Gas and Steam Power Generation (PLTGU) Cilegon. Some of non associated gas (economic gas) that being sold to PLN is also utilized by CNOOC SES Ltd for own power generation using gas turbine generators. Due to the high requirement of electrical power the gas consumption for own generation is also high. This condition give an opportunity to save the gas upon there is a plan to make power generation that is not consuming this economic gas.

The fact that Krisna-P platform has electrical connection to CNOOC SES Ltd grid give possibility to have planning for electrical power generation at Krisna-P that consuming this uneconomic gas. By this Krisna-P electrical supplying, there will save the economic gas, so that gas mobilization to PLN can be increased and give more advantage to CNOOC SES Ltd. Therefore, the economic study of power generation planning at Krisna-P platform need to conduct to compare the economic advantage of gas sell to PLN with the investment required."

"Dalam beberapa tahun terakhir, teknologi chatbot telah berkembang secara signifikan, dengan munculnya Large Language Model (LLM) seperti GPT dari OpenAI, Llama dari Meta, dan Gemini dari Google. Penelitian ini mengeksplorasi penerapan chatbot berbasis LLM dalam dunia medis, khususnya untuk membantu dan memantau pasien hemodialisis. Menggunakan kerangka kerja seperti LangChain untuk melakukan prompt engineering, Retrieval Augmented Generation (RAG) untuk meningkatkan pengetahuan domain, dan Chroma sebagai vector database, platform chatbot berbasis web dikembangkan. Pendekatan ReAct dan chain-of-thought (CoT) diterapkan untuk membuat sistem berbasis agen. Evaluasi kuantitatif dari penelitian ini akan menggunakan ROUGE, BLEU, dan SAS untuk sistem chatbot, dan MAP@3, dan MRR@3 digunakan untuk sistem RAG, bersama dengan penilaian kualitatif oleh ahli di bidang hemodialisis. Secara keseluruhan, evaluasi kualitatif dan kuantitatif untuk setiap sistem menerima umpan balik positif berdasarkan penilaian ahli dan hasil dari setiap metrik, yang menunjukkan bahwa kedua sistem berkinerja baik dalam menghasilkan tanggapan yang selaras dengan tujuan penelitian ini, yaitu memberikan tanggapan yang akurat dan membantu dalam memantau pasien. Dari sisi sistem, kemampuan chatbot dan sistem RAG dalam memahami konteks percakapan dan memberikan tanggapan yang lebih relevan dan informatif, menggunakan pendekatan berbasis agen yang ditingkatkan oleh RAG, memberikan keuntungan yang signifikan. Prompt yang kami gunakan, ReAct dan CoT, memungkinkan agen berbasis LLM untuk berpikir lebih efektif, membuat keputusan yang tepat, dan mensimulasikan proses berpikir yang lebih terstruktur dan logis. Dengan memanfaatkan peningkatan ini, chatbot juga dapat menghasilkan pesan urgensi medis untuk memperingatkan tim medis yang terhubung ke platform. Hal ini memungkinkan mereka untuk merespons keadaan darurat ketika pasien melaporkan gejala yang membutuhkan perawatan lebih lanjut di rumah sakit. Penelitian ini telah menunjukkan bahwa LLM dapat digunakan secara efektif sebagai chatbot di bidang kesehatan, khususnya untuk memantau pasien hemodialisis.

---

In recent years, chatbot technology has advanced significantly, with the rise of Large Language Models (LLMs) such as OpenAI’s GPT, Meta’s Llama, and Google’s Gemini. This research explores the application of LLM-based chatbots in healthcare, specifically for assisting and monitoring hemodialysis patients. Using frameworks like LangChain for prompt engineering, Retrieval Augmented Generation (RAG) for enhanced domain knowledge, and Chroma as a vector database, a web-based chatbot platform was developed. The ReAct and chain-of-thought (CoT) approaches were applied to create an agent-based system. The quantitative evaluation of this research will use ROUGE, BLEU, and SAS for the chatbot system, and MAP@3, and MRR@3 were used for the RAG systems, along with qualitative expert assessments. Overall, the qualitative and quantitative evaluations for each system received positive feedback based on expert judgment and the results of each metrics, indicating that both systems performed well in generating responses aligned with the goals of this research, which are to provide accurate responses and assist in monitoring patients. On the system side, the chatbot and RAG system’s ability to understand conversational context and provide more relevant and informative responses, using agent-based approaches enhanced by RAG, offers a clear advantage. The prompts we are using, ReAct and CoT, enable the agent-based LLM to think more effectively, make appropriate decisions, and simulate a more structured and logical thought process. By utilizing these enhancements, the chatbot can also generate medical urgency message to alert medical teams connected to the platform. This allows them to respond to emergencies when patients report symptoms that require further care at a hospital. This research has demonstrated that LLMs can be effectively utilized as chatbots in the healthcare field, specifically for monitoring hemodialysis patients."

"Dalam beberapa tahun terakhir, teknologi chatbot telah berkembang secara signifikan, dengan munculnya Large Language Model (LLM) seperti GPT dari OpenAI, Llama dari Meta, dan Gemini dari Google. Penelitian ini mengeksplorasi penerapan chatbot berbasis LLM dalam dunia medis, khususnya untuk membantu dan memantau pasien hemodialisis. Menggunakan kerangka kerja seperti LangChain untuk melakukan prompt engineering, Retrieval Augmented Generation (RAG) untuk meningkatkan pengetahuan domain, dan Chroma sebagai vector database, platform chatbot berbasis web dikembangkan. Pendekatan ReAct dan chain-of-thought (CoT) diterapkan untuk membuat sistem berbasis agen. Evaluasi kuantitatif dari penelitian ini akan menggunakan ROUGE, BLEU, dan SAS untuk sistem chatbot, dan MAP@3, dan MRR@3 digunakan untuk sistem RAG, bersama dengan penilaian kualitatif oleh ahli di bidang hemodialisis. Secara keseluruhan, evaluasi kualitatif dan kuantitatif untuk setiap sistem menerima umpan balik positif berdasarkan penilaian ahli dan hasil dari setiap metrik, yang menunjukkan bahwa kedua sistem berkinerja baik dalam menghasilkan tanggapan yang selaras dengan tujuan penelitian ini, yaitu memberikan tanggapan yang akurat dan membantu dalam memantau pasien. Dari sisi sistem, kemampuan chatbot dan sistem RAG dalam memahami konteks percakapan dan memberikan tanggapan yang lebih relevan dan informatif, menggunakan pendekatan berbasis agen yang ditingkatkan oleh RAG, memberikan keuntungan yang signifikan. Prompt yang kami gunakan, ReAct dan CoT, memungkinkan agen berbasis LLM untuk berpikir lebih efektif, membuat keputusan yang tepat, dan mensimulasikan proses berpikir yang lebih terstruktur dan logis. Dengan memanfaatkan peningkatan ini, chatbot juga dapat menghasilkan pesan urgensi medis untuk memperingatkan tim medis yang terhubung ke platform. Hal ini memungkinkan mereka untuk merespons keadaan darurat ketika pasien melaporkan gejala yang membutuhkan perawatan lebih lanjut di rumah sakit. Penelitian ini telah menunjukkan bahwa LLM dapat digunakan secara efektif sebagai chatbot di bidang kesehatan, khususnya untuk memantau pasien hemodialisis.

---

In recent years, chatbot technology has advanced significantly, with the rise of Large Language Models (LLMs) such as OpenAI’s GPT, Meta’s Llama, and Google’s Gemini. This research explores the application of LLM-based chatbots in healthcare, specifically for assisting and monitoring hemodialysis patients. Using frameworks like LangChain for prompt engineering, Retrieval Augmented Generation (RAG) for enhanced domain knowledge, and Chroma as a vector database, a web-based chatbot platform was developed. The ReAct and chain-of-thought (CoT) approaches were applied to create an agent-based system. The quantitative evaluation of this research will use ROUGE, BLEU, and SAS for the chatbot system, and MAP@3, and MRR@3 were used for the RAG systems, along with qualitative expert assessments. Overall, the qualitative and quantitative evaluations for each system received positive feedback based on expert judgment and the results of each metrics, indicating that both systems performed well in generating responses aligned with the goals of this research, which are to provide accurate responses and assist in monitoring patients. On the system side, the chatbot and RAG system’s ability to understand conversational context and provide more relevant and informative responses, using agent-based approaches enhanced by RAG, offers a clear advantage. The prompts we are using, ReAct and CoT, enable the agent-based LLM to think more effectively, make appropriate decisions, and simulate a more structured and logical thought process. By utilizing these enhancements, the chatbot can also generate medical urgency message to alert medical teams connected to the platform. This allows them to respond to emergencies when patients report symptoms that require further care at a hospital. This research has demonstrated that LLMs can be effectively utilized as chatbots in the healthcare field, specifically for monitoring hemodialysis patients."