Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini merupakan evaluasi performa LoRa dengan menggunakan arsitektur Simple Lora Protocol dengan frekuensi 433 MHz dan 915 MHz yang merupakan frekuensi ISM Band. Saat ini belum terlalu banyak yang mengadopsi teknologi LoRa di Indonesia. Namun dimasa depan nantinya akan banyak yang menggunakan teknologi LoRa dalam Internet of Things, seperti halnya smart city. Transmisi termodulasi LoRa kuat terhadap gangguan dan dapat diterima melintasi jarak yang jauh. LoRa sangat ideal untuk aplikasi yang mengirimkan ukuran data yang kecil, seperti data sensor yang memiliki bit rate rendah. Dalam hal ini, penulis melakukan evaluasi kinerja teknologi LoRa pada frekuensi 433 MHz dan 915 MHz dengan kondisi Line of Sight (LoS) dan Non-Line of Sight (Non-LoS) di lingkungan Universitas Indonesia. Parameter yang dievalusi, yaitu kekuatan sinyal (RSSI), Signal Noise Ratio (SNR), dan Delay. Perangkat prototipe ini disusun oleh sensor suhu dan kelembaban, modul LoRa sebagai transmitter dan receiver data yang dikirimkan, Arduino sebagai pengontrol rangkaian elektronika, dan Thingsboard yang merupakan cloud server untuk visualisasi data. Hasilnya menunjukan bahwa prototipe dapat berjalan dengan baik pada kedua kondisi. Pada frekuensi LoRa 433 MHz memiliki jangkauan sinyal hingga 350 meter pada kondisi LoS dan 150 meter pada kondisi Non-LoS. Sedangkan pada LoRa frekuensi 915 MHz memiliki jangkauan sinyal hingga 200 meter pada kondisi LoS dan 150 meter pada kondisi Non-LoS. Dengan demikian LoRa dengan frekuensi 433 MHz memiliki jangkauan sinyal yang lebih luas dibandingkan frekuensi 915 MHz. Selain itu terbukti Arsitektur Simple LoRa protocol dapat digunakan secara efisien untuk aplikasi IoT.

---

This research is an evaluation of LoRa performance using the Simple Lora Protocol architecture with frequencies of 433 MHz and 915 MHz which are the ISM Band frequencies. Currently, not many people have adopted LoRa technology in Indonesia. However, in the future, many will use LoRa technology in the Internet of Things, such as smart cities. LoRa modulated transmission is strong against interference and can be received over long distances. LoRa is ideal for applications that transmit small data sizes, such as sensor data at low bit rates. In this case, the authors evaluate the performance of LoRa technology at 433 MHz and 915 MHz frequencies with Line of Sight (LoS) and Non-Line of Sight (Non-LoS) conditions at the University of Indonesia. Parameters evaluated are signal strength (RSSI), Signal Noise Ratio (SNR), and delay. This prototype device consists of a temperature and humidity sensor, a LoRa module as a transmitter and receiver of transmitted data, Arduino as an electronic circuit controller, and Thingsboard which is a cloud server for visualizing data. The results show that the prototype can run well in the second condition. At 433 MHz LoRa frequency has a range of up to 350 meters in LoS conditions and 150 meters in Non-LoS conditions. While the LoRa frequency of 915 MHz has a range of up to 200 meters in LoS conditions and 150 meters in Non-LoS conditions. Thus LoRa with a frequency of 433 MHz has a wider range than the frequency of 915 MHz. In addition, it is proven that the Simple LoRa protocol architecture can be used efficiently for IoT applications."

"Data ekspresi gen merupakan data yang berisi hasil proses transformasi informasi genetik dari DNA atau RNA menjadi protein (fenotipe) yang disajikan dalam bentuk matriks berisi ekspresi gen (baris) dan kondisi (kolom). Sama halnya seperti jenis data lainnya, data ekspresi gen tidak terlepas dari kemungkinan masalah missing values atau data yang hilang. Untuk menangani masalah keberadaan missing values, diperlukan imputasi, yaitu metode untuk mengisi nilai pada data yang hilang. Metode imputasi yang digunakan pada penelitian ini adalah QP_Biclustering yang merupakan kombinasi antara biclustering dengan permasalahan pemrograman kuadratik yang akan diselesaikan dengan bahasa pemrograman Python. Metode QP_Biclustering diimplementasikan pada data ekspresi gen dari pasien Covid-19 bertipe numerik dengan tipe missing values berjenis Missing Completely at Random (MCAR). Algoritma biclustering yang digunakan sebagai metode dalam penelitian ini adalah hasil modifikasi dari algoritma SwarmBCluster, yaitu constructive heuristic with local search. Metode biclustering ini menggunakan Mean Squared Residue (MSR) dalam proses pembentukan bicluster yang berperan sebagai ukuran kualitas suatu bicluster. Setelah bicluster terbentuk, missing values akan diestimasi menggunakan quadratic programming dengan cara meminimumkan nilai MSR tiap bicluster. Hasil penelitian ini menunjukkan bahwa metode QP_Biclustering memiliki performa cukup baik untuk mengimputasi missing values pada data ekspresi gen pasien Covid-19 yang dapat dilihat dari nilai Normalized Root Mean Square Error (NRMSE) yang lebih rendah dibandingkan dengan metode KNNimpute.

---

Gene expression data contains the results of the transformation process of genetic information from DNA or RNA into protein (phenotype) which is presented in the form of a matrix containing gene expression (rows) and conditions (columns). Just like other types of data, gene expression data can not be separated from the possibility of missing values or missing data problems. To deal with the problem of the presence of missing values, imputation is needed, which is a method to fill in the values in the missing data. The imputation method used in this research is QP_Biclustering which is a combination of biclustering with quadratic programming problems that will be solved using the Python programming language. The QP_Biclustering method is implemented on gene expression data from Covid-19 patients with numeric type and the missing values has Missing Completely at Random (MCAR) type. The biclustering algorithm used as a method in this research is a modified result of the SwarmBCluster algorithm, namely constructive heuristic with local search. This biclustering method uses Mean Squared Residue (MSR) in the bicluster formation process which will be used as a measure of the quality of a bicluster. After the bicluster is formed, the missing values will be estimated using quadratic programming by minimizing the MSR value for each bicluster. The results of this study indicate that the QP_Biclustering method has a fairly good performance to impute the missing values in gene expression data of Covid-19 patients which can be seen from the NRMSE (Normalized Root Mean Square Error) value which is lower than KNNimpute method."