Hasil Pencarian  ::  Simpan CSV :: Kembali

"Setiap tahun, ada sekitar 7.8 juta ton sampah plastik yang tidak dikelola di Indonesia. Metode yang banyak digunakan dalam pengolahan sampah tersebut adalah reduce, recycling, dan reusing. Dari ketiga metode tersebut, recycling menjadi solusi terbaik dalam penanganan sampah plastik karena kapasitas pengelolaan yang besar. Botol plastik menjadi jenis plastik yang paling banyak di recycling karena tingkat kemurnian material plastiknya tinggi. Namun, masalah terbesar dalam recycling sampah botol plastik adalah klasifikasi sampah plastik berdasarkan material penyusunya. Proses recycling saat ini sudah dimudahkan karena memanfaatkan machine learning. Machine learning dapat melakukan suatu pekerjaan tanpa harus diberi perintah berulang sehingga dapat dimanfaatkan untuk melakukan klasifikasi sampah botol plastik. Salah satu metode dalam Machine learning yang digunakan adalah Convolutional Neural Network karena dapat mengklasifikasikan sampah botol plastik PET, HDPE, LDPE, dan PP. Diperoleh akurasi testing PET terbaca sepuluh kali dari sepuluh percobaan sedangkan HDEP, LDPE, dan PP terbaca sembilan kali dari sepuluh percobaan. Selain itu, metode tersebut juga mampu mengklasifikasi sampah botol plastik dengan beberapa kondisi yaitu botol yang menggunakan tutup, kotor, serta remuk. Diperoleh akurasi testing untuk ketiga kondisi terbaca sepuluh kali dari sepuluh percobaan.

---

There are around 7.8 million tons of unmanaged plastic waste in Indonesia each year. Solving the problem there are three method that are widely used in processing the waste namely reduce, recycle, and reuse. From those methods, Recycling is the best solution in handling plastic waste because of its large management capacity. Plastic bottles are the type of plastic that is most widely recycled because of the high level of purity of the plastic material. However, the biggest problem in recycling plastic bottle waste is the classification of plastic waste based on its materials. The recycling process is now much easier because it utilizes machine learning. Machine learning can do a job without having to be given repeated orders so that it can be used to classify plastic bottle waste. One of the machine learning methods used is convolutional neural network because it can classify PET, HDPE, LDPE, and PP plastic bottles. PET testing accuracy was read ten times from ten times testing while HDPE, LDPE, and PP read nine times from ten times testing. In addition, this method is also able to classify plastic bottle waste under several conditions, namely using a lid, dirty, and crumbling. Obtained testing accuracy for all three condition read ten times from ten time testing."

"Survei Kesehatan Indonesia (SKI) tahun 2023 yang dilakukan oleh Kementerian Kesehatan (Kemenkes) ada sekitar 70 juta perokok aktif di Indonesia. Apabila dihitung dari populasi penduduk Indonesia ada 28,62% penduduk yang merokok di tahun 2023 dan persentase ini meningkat dari tahun sebelumnya sebanyak 0,36%. Perilaku merokok ini menyebabkan berbagai penyakit seperti penyakit paru-paru kronis, kerusakan gigi, penyakit mulut, stroke, serangan jantung, kanker rahim, gangguan mata, dan kerusakan pada rambut. Untuk menekan jumlah perokok di Indonesia, diperlukan sistem untuk deteksi perokok. Deteksi perokok saat ini memakan biaya yang mahal, bantuan ahli, dan sistem yang kompleks. Oleh karena itu, deep learning dengan algoritma Convolutional Neural Network hadir sebagai solusi untuk mengatasi masalah tersebut. Skripsi ini membahas bagaimana merancang sistem deep learning dengan Convolutional Neural Network (CNN) untuk keperluan deteksi wajah perokok. Skripsi ini juga membahas bagaimana pengaruh berbagai skenario jumlah data pelatihan dan data pengujian serta penambahan ekstraksi fitur wajah terhadap metrik evaluasi . Hasil dari rancangan dievaluasi dengan metrik evaluasi kalkulasi loss function, akurasi, dan F1 score. Hasil simulasi menunjukan skenario data pelatihan 70% dan data pengujian 30% adalah skenario terbaik dengan nilai metrik evaluasi pengujian pada skenario ini sebesar 2.236 untuk loss, 54.5% untuk akurasi, dan 34.9% untuk F1 score. Skenario ini diimprovisasi dengan adanya penambahan ekstraksi fitur perokok pada awal preprocessing yang ditandai dari penurunan loss sebesar 65.65%, peningkatan akurasi sebesar 19%, dan peningkatan F1 score sebesar 24.08%.

---

The 2023 Indonesian Health Survey (SKI) conducted by the Ministry of Health (Kemenkes) reported that there are approximately 70 million active smokers in Indonesia. This accounts for 28.62% of the Indonesian population in 2023, representing a 0.36% increase from the previous year. Smoking behavior leads to various diseases such as chronic lung disease, tooth damage, oral diseases, stroke, heart attacks, uterine cancer, eye disorders, and hair damage. To reduce the number of smokers in Indonesia, a smoker detection system is necessary. Current smoker detection methods are expensive, require expert assistance, and involve complex systems. Therefore, deep learning with Convolutional Neural Network (CNN) algorithms presents a solution to address these issues. This thesis discusses how to design a deep learning system using Convolutional Neural Networks (CNN) for smoker face detection. It also examines the impact of different training and testing data scenarios and the addition of facial feature extraction on evaluation metrics. The designed system is evaluated using metrics such as loss function calculation, accuracy, and F1 score. The simulation results show that a scenario with 70% training data and 30% testing data is the best scenario, yielding evaluation metric values of 2.236 for loss, 54.5% for accuracy, and 34.9% for F1 score. This scenario was improved with the addition of smoker feature extraction in the preprocessing stage, resulting in a 65.65% reduction in loss, a 19% increase in accuracy, and a 24.08% increase in F1 score."

"Botol minuman harus memenuhi fungsi dasar kemasan untuk makanan dan minuman. PT. Mustika Ratu baru-baru ini mengembangkan divisi baru yang memproduksi jamu modern dalam kemasan yang disebut Jejamu by Mustika Ratu. Sebuah survei pada produk Jejamu dan kemasan menjadi salah satu kunci untuk diperbaiki. Salah satu metode yang digunakan adalah Kansei Engineering yang menggunakan penerjemahan psikologis konsumen dengan menggunakan kata-kata Kansei. Metode ini akan menghasilkan interpretasi desain berdasarkan kebutuhan konsumen. Selain itu, perbaikan juga dapat dilakukan pada tingkat teknis. Perbaikan pada skala ini menggunakan metode TRIZ sebagai alat pemecahan masalah. Dengan menggunakan TRIZ, seseorang dapat secara spesifik dan kreatif menghasilkan solusi umum yang dapat diterjemahkan ke dalam perbaikan spesifik. Hasilnya adalah kombinasi Kansei Engineering-TRIZ yang akan kokoh dalam estetika berbasis konsumen dan peningkatan teknis.

---

A beverage bottle must fulfil the food and beverage functions. PT. Mustika Ratu has recently developed a new division producing a bottled modern Jamu called Jejamu by Mustika Ratu. A survey was done with packaging as key to be improved upon. One of the methods to use is Kansei Engineering which uses the psychological translation of the human psyche by using words. These would result in the production of a design based on the consumer’s need. Additionally, improvements could also be made on the technical level. To solve this one can, use TRIZ as a problem-solving tool. By using TRIZ, one can specifically and creatively produce general solutions which could be translated into specific improvements. The result of which would be a Kansei Engineering-TRIZ combination which would be robust in consumer-based aesthetic and improved technicalities."

"Tujuan dari penulisan skripsi ini adalah untuk mengetahui dan menelaah potensi dari limbah botol plastik (PET) dalam dunia arsitektur. Melihat isu dan kontroversi di mana botol plastik bekerja sangat efektif sebagai sebuah produk namun limbah dari botol plastik sangat mencemari lingkungan. Oleh karena itu kita harus memikirkan kembali bagaimana menanggulangi limbah botol plastik (PET) agar tidak menjadi lebih buruk khususnya dalam dunia arsitektur. Dengan memanfaatkan potensi dari material botol plastik serta mempelajari karakteristik dari botol plastik kita dapat menjadikan limbah botol plastik menjadi material yang lebih berguna. Mempelajari teori Cradle to Cradle oleh Braungart dan McDonough sebagai salah satu cara untuk menghasilkan produk material yang berkelanjutan. Penelitian mengenai potensi dari material botol plastik (PET), didapat dari mempelajari beberapa kasus pemanfaatan limbah botol plastik (PET) secara fisik. Beberapa dari kasus ini adalah menjadikan PET sebagai sambungan furnitur, bata, dinding sekolah, dan struktur. Melalui studi ini didapat kesimpulan bahwa limbah botol plastik dapat dimanfaatkan dengan berbagai cara, terutama dalam arsitektur limbah botol plastik (PET) dapat digunakan sebagai material berkelanjutan. Dengan memanfaatkan sisa dari umur botol plastik di lingkungan, pemanfaatan ini memiliki kesimpulan bahwa limbah botol plastik (PET) dapat menjadi material yang kontekstual dengan berbagai karakteristik dari botol plastik. Namun pemanfaatan ini tidak dapat diaplikasikan semua secara bersamaan karena PET mampu bekerja lebih baik bila bersama dengan material lain."

"Pembuatan paving block pada umumnya terdiri dari Portland Semen, Pasir dan air dengan perbandingan tertentu. Pada penelitian ini penulis menambahkan agregat kasar yang berasal dari limbah botol plastik jenis PET yang dipanaskan pada suhu 220°C dan kemudian dicetak dan dibentuk seperti layaknya agregat kasar. Hasil pengujian agregat kasar menunjukkan bahwa agregat tersebut diklasifikasikan sebagai agregat ringan dengan berat isi lepas sebesar 705,43 kg/m3 dan berat isi padat sebesar 758,48 kg/m3. Komposisi bahan pembuat paving block adalah 1 bagian PC dengan 4 bagian Pasir dan 0,4 bagian Air. Dengan komposisi agregat kasar sebesar 0%, 10%, 15%, 20%, 25% dan 30% terhadap berat pasir dan merupakan substitusi berat pasir pada pembuatan paving block didapat hasil bahwa penambahan agregat kasar akan menambah kekuatan tekan paving block itu sendiri. Paving block tanpa bahan tambah kekuatan tekan rata-rata sebesar 86,91 kg/cm2 dan diklasifikasikan sebagai paving block kelas mutu D yang dapat digunakan untuk taman dan penggunaan lainnya. Dengan penambahan agregat kasar sebesar 15% nilai rata-rata kuat tekannya menjadi maksimum yaitu sebesar 132,73 kg/cm2 dan diklasifikasikan sebagai paving block kelas mutu C yang dapat digunakan untuk pejalan kaki. Penambahan agregat kasar lebih besar dari 15 % kuat tekan rata-ratanya akan mengalami penurunan walaupun masih lebih besar dari paving balock tanpa agregat kasar. Kenaikan kuat tekan paving block yang menggunakan agregat kasar disebabkan bahan tambah agregat kasar bersifat polimer semi kristalin.

---

Paving blocks generally consist of Portland Cement, sand and water mixed together with a certain ratio. In this research the writer uses coarse aggregate derived from plastic bottle waste of PET type which is heated at a temperature of 220°C, then molded and shaped like usual coarse aggregate. Test results on the coarse aggregate indicate that the coarse aggregate is classified as a lightweight aggregate with a density of 758.48 kg/m3 and a loose density of 705.43 kg/m3. The composition of the materials for the paving block is one part of PC, 4 parts of sand and 0.4 part of water. With coarse aggregate composition of 0%, 10%, 15%, 20%, 25% and 30% to the weight of sand and coarse aggregate which serves as substitution of sand weight in making paving blocks the writer obtains the result that the addition of coarse aggregate will increase the compressive strength of paving blocks.

Paving blocks without additional materials have an average compressive strength of 86.91 kg/cm2 and are classified as paving blocks of D quality class which can be used for parks and others. With an addition of coarse aggregate by 15% the average compressive strength increases to maximum by 132.73 kg/cm2 and these paving blocks are classified as C quality class which can be used for pedestrians. With an addition of coarse aggregate which is greater than 15% the average compressive strength will decrease, although the average compressive strength is still higher than that of paving blocks without coarse aggregate. The increase in compressive strength of paving blocks using coarse aggregate derived from plastic bottle waste of PET type is due to additional material of coarse aggregate is semi-crystalline polymer."

"Leptomeningeal metastatis merupakan indikasi keganasan yang terjadi pada pasien leukemia. Meskipun hanya memiliki porsi 30-40% yang menyebabkan kekambuhan keganasan pada pasien leukemia, hal tersebut yang dijadikan dasar dalam menentukan pengobatan terbaik yang diberikan kepada mereka. Leptomeningeal metastasis lebih baik dideteksi dengan menggunakan Magnetic Resonance Imaging (MRI) karena sensitivitasnya yang tinggi dalam citra neuraxis. Kemampuan expert yang tinggi untuk melihat dan menganalisis sangat diperlukan dalam membaca hasil Brain MRI pasien leukemia dengan suspek leptomeningeal metastasis. Oleh karena itu, klasifikasi akan memakan waktu yang lama dan memungkinkan kesalahan pembacaan hasil. Berbagai metode telah banyak diusulkan dan dikembangkan dalam klasifikasi Brain MRI untuk mendapatkan hasil terbaik namun tantangan dalam penelitian ini adalah leptomeningeal metastasis yang karakteristiknya lebih sudah dikenali dibandingkan tumor pada otak. Oleh karena itu peneliti mengusulkan pengklasifikasian leptomeningeal metastasis dengan menggunakan metode CNN via transfer learning. Dengan berbagai skenario yang dilakukan, hasil akurasi terbaik adalah implementasi metode CNN (ResNet50) via transfer learning mencapai 82,22%.

---

Leptomeningeal metastasis is an indication of malignancy that occurs in leukemia patients. Although it only has a 30-40% portion, which causes recurrence of malignancy in leukemia patients, it is the basis for determining the best treatment given to them. Leptomeningeal metastases are better detected by using Magnetic Resonance Imaging (MRI) because of their high sensitivity in neuroaxis images. A high expert ability to see and analyze is needed in reading the brain MRI results of leukemia patients with suspected leptomeningeal metastasis. Therefore, the classification will take a long time and may an incorrect reading of the results. Various methods have been proposed and developed in the brain MRI classification to get the best results, but the challenge in this research is leptomeningeal metastasis, whose characteristics are more not recognizable than tumors in the brain. Therefore, we propose the classification of leptomeningeal metastasis using the CNN method via transfer learning. With various scenarios done, we obtained the best accuracy result is the implementation of the CNN (ResNet50) method via transfer learning, up to 82.22%."

"Tanaman karet merupakan salah satu komoditas utama ekspor Indonesia. Namun, dalam beberapa tahun terakhir, produksi karet di Indonesia mengalami penurunan. Hal tersebut disebabkan karena adanya penyakit gugur daun yang disebabkan oleh jamur Pestalotiopsis sp.. Berkembangnya teknologi artificial intelligence dengan pendekatan deep learning mampu melakukan pendeteksian pada penyakit ini dengan menggunakan data citra. Convolutional Neural Network (CNN) merupakan algoritma deep learning yang diterapkan pada data berbentuk visual atau citra. Pada penelitian ini, peneliti menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur Residual Network 50 (ResNet-50). Pada penelitian ini juga digunakan Transfer Learning yang merupakan sebuah model yang dapat diajarkan dan disempurnakan untuk suatu kegiatan dan kemudian bisa diterapkan pada kegiatan lain. Dataset yang digunakan pada penelitian ini adalah data daun karet yang berjumlah 1629 data yang dibagi dalam 5 kelas yaitu level 0 atau sehat merupakan daun yang sehat, level 1 merupakan daun yang telah terbentuk bercak coklat yang merupakan gejala dari penyakit namun belum memiliki tanda-tanda perubahan warna, level 2 merupakan daun yang telah terbentuk banyak bercak cokelat disertai dengan adanya perubahan warna pada daun, level 3 merupakan daun yang mengalami kerusakan jaringan, perubahan warna menjadi cokelat atau kuning namun masih memiliki sedikit bagian daun yang berwarna hijau, level 4 merupakan daun yang mengalami kerusakan jaringan cukup parah, dipenuhi bercak cokelat dan telah berwarna cokelat menyeluruh. Dari hasil simulasi yang dilakukan, diperoleh hasil terbaik dengan rata-rata accuracy 96,01%, recall 95,888%, dan precision 96,184% dengan running time rata-rata running time 69,759 detik.

---

Rubber plants are one of Indonesia's main export commodities. However, in recent years, rubber production in Indonesia has experienced a decline. This is due to the presence of the leaf fall disease caused by the Pestalotiopsis sp. fungus. The advancement of artificial intelligence technology using deep learning approaches enables the detection of this disease using image data. The Convolutional Neural Network (CNN) is a deep learning algorithm applied to visual or image data. In this study, researchers utilized the Convolutional Neural Network (CNN) method with the Residual Network 50 (ResNet50) architecture. Transfer Learning was also employed in this research, which involves training and refining a model for one task and then applying it to another task. The dataset used in this study consists of 1629 rubber leaf samples divided into 5 classes: level 0, representing the healthy leaves; level 1, indicating leaves with brown spots, a symptom of the disease, but without major visible color changes; level 2, comprising of leaves with numerous brown spots accompanied by slight color changes; level 3, representing leaves with tissue damage, a color change from green to brown or yellow, but still retaining some green parts; and level 4, depicting leaves with severe tissue damage, extensively covered in brown spots and having turned completely brown. The simulation results showed the best outcome with an average accuracy of 96.01%, recall of 95.888%, and precision of 96.184%, with an average running time of 69.759 seconds."

"Sebagai salah satu cara untuk memindahkan risiko, banyak orang menginginkan produk asuransi sebagai jaminan proteksi atas dirinya. Pada masa digital ini dimana internet, media sosial dan media komunikasi digital lainnya sudah menjadi bagian dari kehidupan sehari-hari. Perusahaan asuransi juga perlu untuk mengetahui preferensi pelanggannya untuk menjangkau pelanggan potensial dan mengoptimalkan model bisnisnya. Terlebih di masa pandemi COVID-19 yang dialami oleh seluruh dunia, perusahaan jasa transportasi sedang dilanda kesulitan. Namun hal ini merupakan potensi yang sangat besar untuk penjualan asuransi perjalanan ketika pandemi sudah berakhir dan perjalanan dimulai kembali. Salah satu cara untuk mendapatkan preferensi pelanggan adalah dengan studi historikal terkait data-data pelanggan sebelumnya. Masalah preferensi ini dapat disederhanakan menjadi klasifikasi biner, dan sudah banyak metode yang umum digunakan untuk masalah ini seperti Logistic Regression, Gradient Boosting Machine dan Random forest. Namun, belum banyak yang menyelesaikan masalah tersebut menggunakan metode Convolutional Neural Network (CNN). Metode ini memanfaatkan algoritma tabular convolution untuk mengubah data tabular menjadi bentuk citra yang kemudian diklasifikasikan menggunakan CNN. Dari hasil simulasi diperoleh bahwa penggunaan metode ini dapat menyaingi akurasi metode Logistic Regression, Gradient Boosting Machine dan Random Forest dengan iterasi yang cukup rendah.

---

Many people seek insurance products as a guarantee of protection for themselves, as a way to transfer the risk that they are facing. In this digital era where the internet, social media and other digital communication media have become a part of everyday life, insurance companies also need to know their customers’ preferences to reach potential customers and optimize their business models. Especially during the COVID- 19 pandemic experienced by the whole world, transportation service companies are experiencing many difficulties. But due to this pandemic, there lies a huge potential of travel insurance when the pandemic ends and demands surge for travel business. One way to get customer preferences is by historical studies related to previous customer data. This preference problem can be reduced to binary classification with many methods commonly used to address this problem, such as Logistic Regression, Gradient Boosting Machines and Random Forest. However, not many has solved this problem using the Convolutional Neural Network (CNN) method. This method utilizes the tabular convolution algorithm to convert tabular data into image form which will then be classified using CNN. The results obtained that the use of this method can compete with Logistic Regression, Gradient Boosting Machine and Random Forest with a fairly low iteration."

"Degenerasi makula atau Age-Related Macular Degeneration (AMD) adalah penyakit mata yang menyebabkan kebutaan pada bagian tengah mata yang merusak kinerja retina pada bagian makula yang berfungsi untuk mempertajam penglihatan untuk beberapa aktivitas, seperti membaca, menulis, dan mengenali wajah seseorang. Penderita AMD akan mengalami penglihatan yang buram, distorsi penglihatan, atau bahkan kehilangan penglihatannya. Dalam mendiagnosis AMD dapat digunakan oftalmoskopi, beberapa metodenya yaitu Ocular Coherence Tomography (OCT) dan fotografi fundus sudah banyak dilakukan untuk membantu diagnosis AMD. Namun, diagnosis AMD dengan mengandalkan ahli dapat berlangsung lama dan memungkinkan terjadinya error subjektivitas oleh pendiagnosis. Diagnosis awal diperlukan untuk mendeteksi adanya kemungkinan terjadinya AMD pada tahap awal yang gejalanya tidak dirasakan oleh penderita. Pendekatan diagnosis AMD salah satunya dapat dilakukan dengan pendekatan machine learning. Machine learning sudah berperan besar dalam sektor medis membantu permasalahan klasifikasi diagnosis penyakit seperti metode Support Vector Machines (SVM) dan Twin Support Vector Machines (TSVM). Salah satu cabang machine learning yang sangat baik dalam klasifikasi penyakit lewat gambar adalah deep learning. Metode yang digunakan deep learning untuk permasalahan klasifikasi data citra salah satunya adalah Convolutional Neural Network (CNN). Pada penelitian ini, akan digunakan metode Convolutional Neural Network – Twin Support Vector Machines (CNN-TSVM) untuk mengklasifikasi penyakit AMD menggunakan data citra fundus yang diperoleh dari Ocular Disease Recognition (ODIR-5K) 2019, dengan 227 data citra fundus normal dan 227 data citra fundus penyakit AMD. Evaluasi kinerja metode CNN-TSVM menggunakan teknik hold-out validation dengan membagi data latih dan data uji dengan proporsi 10% - 90% dan metrik akurasi, presisi, dan recall. Hasil kinerjanya dibandingkan dengan metode CNN dan Convolutional Neural Network – Support Vector Machines (CNN-SVM). Hasil yang diperoleh menunjukkan CNN-TSVM menggunakan kernel RBF memberikan akurasi dan recall terbaik, sementara CNN-TSVM menggunakan kernel polinomial memberikan presisi terbaik.

---

Age-related Macular Degeneration (AMD) is an eye disease that causes blindness in the middle of the eye that impairs retinal performance in the macula that serves to sharpen vision for some activities, such as reading, writing, and recognizing a person's face. AMD sufferers will experience blurred vision, vision distortion, or even loss of vision. In AMD diagnosed, ophthalmology can be used, several methods of ophthalmology including Ocular Coherence Tomography (OCT) and fundus photography have been widely done to help the diagnosis of AMD. However, AMD diagnosis by relying on experts can be long-lasting and allow subjective errors to occur in the diagnosis. An initial diagnosis is needed to detect the possibility of AMD occurrence at an early stage where symptoms are not felt by the sufferer. One of AMD diagnosis approach can be done with machine learning approach as one of artificial intelligence methods. Machine learning method has played a major role in the medical sector helping classification problems of disease diagnosis such as Support Vector Machines (SVM) and Twin Support Vector Machines (TSVM). One of the excellent branches of machine learning in the classification of diseases through images is deep learning. The suitable method used by deep learning for image data classification problems is convolutional neural network (CNN). In this study, Convolutional Neural Network–Twin Support Vector Machines (CNN-TSVM) method will be used to classify AMD diseases using fundus image data obtained from Ocular Disease Recognition (ODIR-5K) 2019, with 227 normal fundus image data and 227 fundus image data of AMD disease. Performance evaluation of CNN-TSVM method using hold-out validation techniques by dividing training data and testing data by a proportion of 10% - 90% and metrics of accuracy, precision, and recall. The performance results will be compared to CNN and Convolutional Neural Network – Support Vector Machines (CNN-SVM). The results showed CNN-TSVM using RBF kernel provided the best accuracy and recall, while CNN-TSVM using polynomial kernel provided the best precision."

"ABSTRAKSampah plastik merupakan salah satu permasalahan yang ada di kawasan urban Jakarta. Untuk itu diperlukan pengolahan sampah plastik agar tidak menjadi limbah. Dari penelitian yang sudah ada, sampah plastik dapat digunakan sebagai komponen pendukung pembangunan bangunan. Untuk sampah plastik dalam bentuk botol dapat dikembangkan menjadi komponen pada dinding pengisi pada bangunan dengan pendekatan reuse.Penelitian ini melewati tahapan wawancara dan survey untuk menemukan botol yang layak digunkan. Selanjutnya memasuki tahapan eksplorasi modul untuk mendapatkan beberapa bentuk dan formasi botol plastik PET dalam bentuk modul yang layak uji. Hasil dari hasil eksplorasi kemudian diuji untuk mangetahui kelayakan menjadi dinding pengisi melalui kekuatan tekan dan kekuatan lentur modul.Hasil dari penelitian ini diharapkan dapat menjadikan sampah botol plastik PET menjadi komponen dinding pengisi pada interior bangunan. Diperlukan pula penelitian lebih lanjut dalam mengembagkan lebih jauh sampah botol plastik PET sebagai komponen bangunan agar komponen ini dapat layak dan aman untuk digunakan.

---

ABSTRACTPET plastic bottle is one of the main source of waste in big cities. This research aims to find out the possibility of reusing PET bottle as pre fabrication wall module material. The pre fabrication concept were offered so that in the construction phase, the instalation of this material will be fast, efficient, and able to minimalize the waste potential. The method to decided the PET bottle specimen was by surveying some sample location in Jakarta to found out the type and capacity of PET bottle waste. Bottle waste that has the highest volume, was selected to be the speciment for further experiment as pre fabrication modul. To determine the strength capacity of this material, some module variation were designed for compressive and flexural strength test. This research is a preliminary experiment to understanding the basic potential of PET bottle as building material. This research expected to support the use of PET bottle waste for other uses in building construction."