Hasil Pencarian  ::  Simpan CSV :: Kembali

"Picogrid adalah electrical grid skala kecil yang digunakan untuk memasok beban listrik kecil seperti lampu atau kipas angin. Picogrid biasanya ditenagai oleh energi terbarukan seperti sel surya. Sistem picogrid memerlukan suatu penyimpan energi listrik untuk menyimpan energi listrik, sehingga picogrid tetap dapat beroperasi pada saat photovoltaic tidak dapat menghasilkan listrik, seperti pada malam hari atau cuaca hujan. Picogrid dalam skripsi ini menggunakan sel baterai bekas dari kendaraan hybrid untuk penyimpanan energi listrik picogrid. Baterai tersebut tidak lagi dapat digunakan untuk kendaraan hybrid, namun masih dapat digunakan pada picogrid untuk menyimpan energi listrik. Pada skripsi ini, penulis menggunakan baterai NiMH untuk picogrid. Skripsi ini menentukan kinerja baterai NiMH yang digunakan pada picogrid melalui pengujian charging dan discharging serta pengukuran tegangan dan arus baterai, untuk melihat bagaimana kinerja baterai bekas dibandingkan dengan kinerja pada kondisi awal, dan untuk menentukan apakah baterai masih cocok untuk digunakan dalam sistem picogrid. Skripsi ini juga menentukan beban ideal yang dapat disuplai oleh baterai.

---

Picogrid is a small-scale electricity grid that is used to supply small electrical loads such as lamps or fans. Picogrids are usually powered by renewable energy such as solar cells. Picogrid system need an electrical energy storage to store electrical energy, so the picogrid can still operate when the photovoltaic can not generate electricity, such as at night time or rainy weather. The picogrid in this thesis is using waste used battery cells from hybrid vehicles for the grid’s energy storage. The battery can no longer be used for the hybrid vehicle, but it can still be used in the picogrid for storing electrical energy. In this thesis, the author uses NiMH batteries for a picogrid. The thesis determines the performance of the NiMH battery used in the picogrid through charging and discharging tests and battery voltage and battery current measurement, to see how the performance of the used battery is compared to the performance at its initial condition, and to determine if it is still suitable to be used in a picogrid system. This thesis also determines the ideal loads that can be supplied by the battery."

"Lightweight blockchain hadir sebagai solusi baru dalam teknologi blockchain, terutama ketika diintegrasikan ke dalam perangkat Internet of Things (IoT). Teknologi blockchain telah banyak digunakan di berbagai industri namun memiliki keterbatasan, seperti skalabilitas, konsumsi energi yang tinggi, dan waktu pemrosesan transaksi yang lama. Lightweight blockchain mengatasi masalah ini dengan pendekatan baru, seperti modifikasi ataupun usulan pada konsensus, algoritma, ataupun proses mining, yang bertujuan mengurangi kompleksitas komputasi dan konsumsi energi pada jaringan blockchain. Lightweight blockchain sangat cocok jika diintegrasikan ke dalam perangkat IoT. Usulan proses mining dengan pendekatan cluster mining dan penambahan struktur gabungan dari struktur data Merkle Patricia Trie dengan Linked List merupakan dua peningkatan dari kemampuan lightweight blockchain yang ditawarkan pada disertasi ini. Penelitian ini berfokus pada algoritma konsensus Proof of Work (PoW) yang umum digunakan dalam jaringan blockchain. Tujuan utama penelitian ini adalah untuk mempercepat waktu yang diperlukan dalam proses mining suatu blok dan proses pencarian query/lookup data di dalam suatu blok. Usulan pertama untuk meningkatkan kemampuan lightweight blockchain dalam disertasi ini adalah merancang proses mining dan pendekatan tingkat kesulitan yang dapat disesuaikan (penyesuaian algoritma dalam mencari hash target dengan pendekatan leading-zero atau count-zero juga diuji pada penelitian ini) saat membuat blok pada jaringan lightweight blockchain. Penelitian ini membuktikan bahwa cluster mining dengan pendekatan count-zero lebih cepat dalam proses mining. Dari hasil percobaan, untuk waktu kurang dari 30 detik, cluster mining dengan pendekatan count-zero mampu melakukan proses mining dengan tingkat kesulitan ke-18. Sedangkan pendekatan leading-zero untuk waktu yang sama hanya mampu mencapai tingkat kesulitan ke-3, pada tingkat kesulitan ke-4, waktu yang diperlukan lebih dari 30 detik. Usulan yang kedua adalah penambahan struktur data baru, gabungan dari struktur data Merkle Patricia Trie dan struktur data Linked Lists. Penggabungan ini bertujuan untuk meningkatkan kemampuan menyimpan informasi di blockchain dan tetap dapat menghasilkan informasi terperinci untuk world-state atau status pengguna jaringan lightweight blockchain saat ini. Struktur data gabungan ini dapat meningkatkan efisiensi proses pencarian (query/lookup). Dari hasil percobaan penggabungan struktur data ini, waktu yang diperlukan untuk melakukan pencarian (query/lookup) data berjalan stabil pada kisaran kurang dari satu milidetik, sedangkan pencarian (query/lookup) pada Merkle Tree memerlukan waktu dari 0.011 sampai 0.18detik, atau struktur baru memiliki kecepatan sekitar 11 sampai 180 kali lebih cepat dibandingkan dengan struktur Merkle Tree. Cluster mining dan kombinasi struktur Merkle Patricia Trie dan Linked Lists berpotensi lebih cepat dalam membuat blok saat menggunakan konsensus PoW dan dapat meningkatkan efisiensi pencarian historytransaksi pada sistem lightweight blockchain yang terintegrasi dengan IoT.

---

Lightweight blockchain is a new solution in blockchain technology, especially when integrated into the Internet of Things (IoT) devices. Blockchain technology has been widely used in various industries but has limitations, such as scalability, high energy consumption, and long transaction processing times. Lightweight blockchain overcome this problem by introducing new approaches, such as modifications or proposals to consensus, algorithms, or mining processes, which aim to reduce the blockchain network's computational complexity and energy consumption. Lightweight blockchain is suitable when integrated into the IoT devices with limitations. The proposed mining process with a cluster mining approach and adding a combined structure from the Merkle Patricia Trie data structure with Linked List are two improvements to the lightweight blockchain capabilities offered in this dissertation. This research focuses on the Proof of Work (PoW) consensus algorithm in blockchain networks. The main objective of this research is to speed up the time required in the mining process of a block and the process of searching query/lookup data in a block. The first proposal to improve the capabilities of lightweight blockchains in this dissertation is to design a mining process using the cluster mining method and an adjustable difficulty level approach (algorithm adjustments in finding a hash target with a leading-zero or count-zero approach are also tested in this study) when creating blocks on a lightweight blockchain network. This research proves that cluster mining with a count-zero approach is faster in the mining process. From the results of the experiments that have been carried out for less than 30 seconds, cluster mining with a count-zero approach can carry out the mining process with the 18th level of difficulty. Whereas the leading-zero approach for the same time is only able to reach the third difficulty level, at the fourth difficulty level, it takes more than 30 seconds. The second proposal is the addition of a new data structure, a combination of the Merkle Patricia Trie data structure and the Linked Lists data structure. This merger aims to improve the ability to store information on the blockchain and still be able to produce detailed information for the world-state or the current user status of the lightweight blockchain network. This combined data structure can significantly improve the efficiency of the search process (query/lookup). From the experimental results of combining these data structures, the time required to perform a search (query/lookup) of data is stable in the range of less than one millisecond, while searching (query/lookup) on the Merkle Tree takes from 0.011 to 0.18 seconds, or a new structure has a speed of about 11 to 180 times faster than the Merkle Tree structure. Mining clusters and the combination of the Merkle Patricia Trie and Linked Lists structures have the potential to create blocks faster when using PoW consensus. They can increase the efficiency of searching transaction history on a lightweight blockchain integrated with the IoT."

"Petir merupakan fenomena alam yang sering ditemui dalam kehidupan sehari-hari dan tidak dapat dihindari. Sambaran petir pada suatu bangunan memiliki dampak yang merusak baik bagi mahluk hidup, bangunan, maupun peralatan listrik. Sistem proteksi petir pada suatu bangunan diperlukan untuk mengurangi resiko kerusakan akibat sambaran petir. Sitem proteksi petir terbagi menjadi dua jenis yaitu sistem proteksi petir eksternal dan internal. Sistem proteksi internal berfungsi untuk melindungi peralatan listrik yang berada di dalam gedung. Berdasarkan perhitungan menggunakan beberapa standar proteksi petir yaitu IEC 62305, SNI 03-7015-2004, NFPA 780, dan PUIL 2011, Gedung i-CELL membutuhkan sistem proteksi petir dengan tingkat proteksi petir I. Sistem proteksi petir tingkat I memiliki arus petir puncak sebesar 200 kA. Arus petir puncak tersebut dapat mengalir pada panel distribusi dengan nilai arus yang bervariasi mulai dari 0,132 kA hingga 33,3 kA. Oleh karena itu dibutuhkan koordinasi surge protection device berupa circuit breaker dan arrester pada panel distribusi. Selain itu, terdapat medan elektromagnetik akibat induksi pada tulangan struktur ataupun akibat sambaran petir tidak langsung. ZPP1 pada Gedung i-CELL dapat mereduksi 20% medan elektromagnetik dari ZP 0. Ikatan penyama potensial dibutuhkan pada peralatan yang dapat menyimpan muatan akibat induksi medan elektromagnetik untuk menghindari sparks antar peralatan. Peralatan pada Gedung i-CELL yang tidak dapat dipasang IPP harus diberi jarak sebesar 6.32 meter dari konduktor penyalur. Pembagian zona proteksi petir (ZPP) pada Gedung i-CELL terbagi menjadi ZPP 1 dan ZPP 2.

---

Lightning is a natural phenomena that occur frequently in our daily life. Lightning strike on a building can cause several damage to living creatures, structures, and electronic equipments. Lightning protection system is needed to reduce the damage risk from the lightning strike. There are two kind of lighting protection system, external protection system and internal protection system. The purpose of lightning internal system is to protect electronic equipments inside the building. Based on several standards such as IEC 62305, SNI 03-7015-2004, and NFPA 780, and PUIL 2011, i-CELL building need a level I lightning protection system. Peak current at level I lightning protection system can reach up to 200 kA. These current can flow through the distribution panel with various current level from 0.132 kA to 33.3 kA. Therefore, coordination of surge protection device such as circuit breaker and arrester are needed in the distribution panel. There are also an electromagnetic fields cause by induction from the structure and indirect lightning strike. The LPZ 1 in i-CELL building can reduce up to 20% of the electromagnetic field. Equipments that can have electric charge from electromagnetic induction must be connected to an equipotential bonding to prevent sparks. For equipments that can’t be connected to an equipotential bonding must have 6.32 meter of safety distance from down-condcutor. Lightning protection zone in i-CELL building are divided into LPZ 1 dan LPZ 2."

"Kecerdasan buatan (artificial intelligence, AI) merupakan teknologi yang sedang berkembang dengan cepat pada masa ini. Adanya teknologi AI membuat banyak permasalahan sederhana dan kompleks dapat diatasi dengan program komputer. Salah satu penerapan dari teknologi AI yang memiliki perkembangan yang besar adalah pada computer vision, yang mana dapat dibuat program yang dapat mendeteksi dan mengklasifikasi objek pada suatu gambar. Pada bidang ini, computer vision dapat digunakan untuk mendeteksi rokok. Algoritma dapat dibuat untuk mengetahui jika ada objek rokok dan lokasi dari rokok tersebut pada gambar. Hal ini dapat berguna untuk menyensor rokok pada media video yang dikonsumsi oleh anak-anak. Pada media video, biasanya sensor dilakukan dengan cara manual dan dengan bantuan tracking. Cara ini dapat melelahkan karena walaupun dengan tracking, harus ada orang sebagai pendeteksi yang menunjukkan lokasi objek rokok secara berkala. Terdapat banyak arsitektur dan model algoritma untuk deteksi objek, salah satunya adalah YOLOv8 (You Only Look Once version 8). YOLOv8 adalah versi terbaru dari algoritma YOLO, yang mana merupakan salah satu algoritma state-of-the-art dalam deteksi objek. YOLO merupakan model dari Convolutional Neural Network (CNN) yang melakukan deteksi dengan konsep single stage detector, yaitu algoritma ini melakukan deteksi objek dengan menggunakan keseluruhan gambar sekaligus untuk menjadi masukan input neural network-nya. Cara ini membuat YOLO memiliki tingkat kecepatan yang tinggi mendekati real-time. Selain deteksi objek, diterapkan juga algoritma tracking yang berfungsi untuk menandai pergerakan objek rokok pada video. Sehingga objek rokok akan tetap disensor walaupun terjadi perubahan cahaya, terhalang objek lain, dan gangguan visual lainnya pada video. Algoritma tracking yang digunakan pada penelitian ini adalah ByteTrack. ByteTrack adalah algoritma tracking yang menggunakan komputasi yang minim karena dapat melakukan tracking dengan hanya memproses lokasi bounding box tiap frame video. Perbedaan algoritma ini dibandingkan yang lain adalah ByteTrack akan memanfaatkan semua hasil deteksi objek walaupun terdapat nilai confidence yang kecil. Pada penelitian ini didapatkan model training terbaik dari YOLOv8 dengan nilai presisi sebesar 86,5%, nilai recall sebesar 86,1%, nilai mAP 50 sebesar 88,1%, dan nilai mAP 50:95 sebesar 58,3%. Lalu pada konfigurasi confidence ByteTrack didapatkan hasil terbaik dengan pada confidence tahap pertama sebesar 0,247 dan tahap kedua sebesar 0,01. Hasil tracking ini mendapatkan nilai presisi sebesar 62,3%, nilai recall sebesar 62,7%, nilai akurasi sebesar 45,5%, dan nilai F1 sebesar 62,5%.

---

Artificial intelligence (AI) is a technology that is developing rapidly and popular in this era. AI technology creates the possibility to solve and overcome many simple complex problems. One example of the application of AI technology that has great development is computer vision, which is a concept that can make a computer program to detect and classify objects in an image.  Using computer vision, this technology can be used to detect cigarette. From image or video media, the algorithm can check if there is any cigarette and then locate the object in the image. This is useful to censor cigarette from media that consumed by children. On video medium, censorship usually done manually with the help of object tracking. This method can be tiring because even if object tracking is used, there must be a person as a detector that locate the cigarette every few frames. There are many architectures and models for object detection, YOLOv8 (You Only Look Once version 8) is one of them. YOLOv8 is the latest version of YOLO algorithm. YOLOv8 is considered as one of the state-of-the-art algorithm for object detection.  YOLO model is based from Convolutional Neural Network (CNN). The concept of this algorithm to detect object is called single stage detector, which means that it takes the whole image as input for its neural network thus only single image process needed. This concept makes YOLO fast to detect objects. Object tracking algorithm is also used to keep track detected cigarette even if there is a change in light, occlusion from other object, and other visual changes in the video. ByteTrack is used for the tracking algorithm in this study. ByteTrack works by processing bounding box location of each frame in video, making it use little computation. The main difference of this algorithm is that it process all bounding boxes from the object detection, including detected object with low confidence score. In this study, the YOLOv8 model managed to obtain the best performance with precision value of 86.5%, recall value of 86.1%, mAP 50 value of 88.1%, and mAp 50:95 value of 58.3%. For the confidence configuration of ByteTrack, best performance is achieved with 0.247 confidence score for the first association and 0.01 confidence score for the second association. The result of this configuration is a precision value of 62.5%, a recall value of 62.7%, an accuracy value of 45.5%, and a F1 score of 62.5%."

"Seiring berkembangnnya teknologi, energi listrik menjadi semakin penting. Setiap aspek yang menggerakan dunia pada era ini bergantung dengan adanya energi ini. Namun salah satu sumber terbesar dari energi ini menghasilkan gas rumah kaca yang memicu pemanasan global. Oleh karena itu, muncul banyak dorongan untuk meminimalisasi kegunaan bahan bakar tak terbarukan yang salah satunya adalah bahan bakar disel. Bahan bakar ini sangat penting untuk menggerakan transportasi. Maka dari itu diperlukannya perkembangan dalam kendaraan hibrid, dimana kegunaan mesin diesel dapat diturunkan dan secara langsung menurunkan emisi gas rumah kaca. Dalam ranah itu, Model Predictive Control mulai dikembangkan untuk mengendalikan distribusi daya pada kendaraan hibrid. Dengan mengoptimasi kegunaan mesin diesel maka konsumsi dari bahan bakar juga semakin minim. Dengan perkembangan strategi ini, sebuah long shrinking horizon diakomodasikan pada strategi MPC biasa dengan sampling time yang lebih panjang. Penambahan ini menghasilkan sebuah pengendali MPC yang dapat melakukan optimasi terhadap keseluruhan perjalanan dan mendapatkan hasil yang lebih efisien dengan dengan mengorbankan waktu komputas. Setelah melakukan simulasi, MH-MPC dapat menggunakan baterai untuk 44.13% perjalanan sedangakan MPC biasa hanya dapat mengguanakan 33.53%

---

With the development of technology, the need of electricity has been even more evident. Every aspect that governs the world revolves around this energy. However, one of the biggest sources of energy is also one of the biggest contributors to the emission of green house gasses. With that in mind, there has been a major push in the effort of minimizing the usage of these sources, one of them being diesel. This fuel is very important especially in the realms of transportation. With that being the case, the need of hybrid vehicles is becoming more relevant in which, the usage of the diesel engine will be reduced as will the emission of green house gasses. In this realm, the usage of Model predictive controllers has been heavily researched as a Energy Management System. One of the outcomes of this research is an additional shrinking horizon to add on the conventional MPCs. This addition creates a Model Predictive Controller that can essentially optimize the condition for the entire trip in exchange for computational effort. After the simulations, the MHMPC is able to use the battery for 44.13% of the trip while the conventional MPC is only able to achieve 33.53%."

"Dalam sistem presensi konvensional, seringkali terjadi kecurangan dalam proses presensi baik itu yang menggunakan RFID ataupun manual dengan tanda tangan. Begitu pula dengan presensi menggunakan teknologi pengenalan wajah juga terjadi kecurangan dengan menggunakan foto gambar wajah atau rekaman video,  Oleh karena itu, penelitian ini mengusulkan penggunaan algoritma Deep Learning untuk mendeteksi serangan face spoofing dalam sistem presensi berbasis wajah. Pada pengimplementasiannya digunakan Raspberry Pi 4 Model B agar lebih efektif dan efisien dalam penerapannya. Metodologi yang digunakan dalam penelitian ini adalah dengan mengumpulkan dataset wajah asli dan palsu, kemudian dilakukan proses pelatihan menggunakan algoritma Deep Learning. Algoritma Deep Learning sudah terkenal efektif dalam mengenali fitur wajah. Dataset yang digunakan dalam penelitian ini adalah kombinasi antara dataset wajah asli dan palsu yang dikumpulkan dari berbagai sumber. Hasil yang diperoleh dari penelitian ini menunjukkan bahwa penggunaan teknologi pengenalan wajah dengan penerapan algoritma Deep Learning sebagai Face Anti-Spoofing (FAS) mampu mendeteksi serangan face spoofing dalam sistem presensi berbasis wajah. Hal ini terlihat dari tingkat keakuratan yang diperoleh dari proses pengujian yang dilakukan pada sistem presensi yang dikembangkan. Diharapkan sistem presensi ini dapat diimplementasikan secara luas untuk meningkatkan keamanan dan keandalan dalam sistem presensi berbasis wajah.

---

In conventional attendance systems, cheating often occurs in the attendance process, whether using RFID or manual methods with signatures. Similarly, in attendance systems that utilize facial recognition technology, cheating can occur through the use of facial photos or video recordings. Therefore, this research proposes the use of Deep Learning algorithms to detect face spoofing attacks in facial-based attendance systems. For implementation, Raspberry Pi 4 Model B is employed to enhance effectiveness and efficiency. The methodology utilized in this study involves collecting genuine and fake face datasets, followed by training processes using Deep Learning algorithms. Deep Learning algorithms are renowned for their effectiveness in recognizing facial features. The dataset used in this research is a combination of genuine and fake face data collected from various sources. The results obtained from this research demonstrate that employing facial recognition technology with the application of Deep Learning algorithms as Face Anti-Spoofing (FAS) is capable of detecting face spoofing attacks in facial-based attendance systems. This is evident from the accuracy achieved during the testing process conducted on the developed attendance system. It is hoped that this attendance system can be widely implemented to enhance security and reliability in facial-based attendance systems."

"Serat optik ialah media transmisi telekomunikasi yang mempunyai bandwidth serta bit rate yang besar sehingga sanggup penuhi kebutuhan layanan data dikala ini dengan kehandalan serta efisiensi yang besar. Aplikasi serat optik terus menjadi luas serta sudah mencakup jaringan dasar laut, jaringan terestrial, jaringan lingkup metropolitan serta regional, maupun jaringan berskala kecil. Sistem komunikasi serat optik mempunyai 2 fakor yang mempengaruhi mutu unjuk kerja jaringannya ialah aspek internal serta aspek eksternal. Aspek internal dan eksternal tersebut bisa merendahkan mutu unjuk kerja dari serat optik yang digunakan dan bisa memunculkan redaman dan rugi-rugi transmisi yang lain. Selaku upaya buat mencegah penuruan mutu sesuatu jaringan secara tiba- tiba serta signifikan, butuh dicoba kegiatan maintenance secara berkala semacam pengukuran mutu layanan jaringan kabel serat optik yang terjadwal. Aktivitas maintenance tersebut bisa menolong memastikan keputusan kenaikan kapasitas jaringan. Salah satu parameter mutu layanan yang kerap dicoba pengukuran merupakan redaman transmisi serta energi sinyal yang diterima (power receive). Riset ini mengkaji tentang meningkatkan kapasitas bandwidth milik PT PLN Icon Plus regional Sumatera Bagian Tengah pada saat terjadi anomali jaringan, yaitu koneksi internet lambat pada link Panam – Rayon Panam, serta hasilnya akan digunakan untuk implementasi Advanced Metering Infratructure (AMI). Sampel yang diambil dari salah satu pelanggan menunjukkan hasil pengukuran kecepatan internetnya sebesar 4-5 Mbps saja, sedangkan layanan yang diambil adalah 10 Mbps. Hasil pengecekkan pada sisi up-link ke OLT Rayon panam ditemukan output data sudah mendekati kapasitasnya, yaitu sebesar 940.919.000 bits/sec atau 0.9 Gb/sec. Meningkatkan kapasitas bandwidth  dilakukan dengan pemindahan port OLT pada sisi up-link  dari port gigabit ethernet ke port tengigabit ethernet, lalu mengganti SFP tipe SR dengan SFP ER serta penambahan attenuator serat optic sehingga didapat hasil speed test di sisi pelanggan telah kembali sepertinya semula, 10 Mbps. Serta hasil implementasi  AMI menunjukkan OpEx yang timbul sekitar Rp. 1.250.000,-. Sedangkan CapEx sebesar Rp. 1.468.000,-.

---

Optical fiber is a telecommunications transmission medium that has a large bandwidth and bit rate so that it can meet the needs of today's data services with great reliability and efficiency. Optical fiber applications continue to be broad and have included seabed networks, terrestrial networks, metropolitan and regional scope networks, and small-scale networks. Optical fiber communication systems have 2 factors that affect the quality of network performance, namely internal aspects and external aspects. These internal and external aspects can degrade the performance quality of the optical fiber used and can cause attenuation and other transmission losses. As an effort to prevent sudden and significant deterioration in the quality of a network, it is necessary to try regular maintenance activities such as scheduled fiber optic cable network service quality measurements. These maintenance activities can help ensure network capacity increase decisions. One of the quality of service parameters that is often measured is transmission attenuation and received signal energy (received power). This research examines increasing the bandwidth capacity of PT PLN Icon Plus in the Central Sumatra region during network anomalies, namely slow internet connections on the Panam - Rayon Panam link, and the results will be used for the implementation of Advanced Metering Infratructure (AMI). The sample taken from one of the customers shows the measurement results of the internet speed of 4-5 Mbps only, while the service taken is 10 Mbps. The results of checking on the up-link side to OLT Rayon panam found that the data output was close to its capacity, which was 940,919,000 bits/sec or 0.9 Gb/sec. Increasing bandwidth capacity is done by moving the OLT port on the up-link side from the gigabit ethernet port to the tengigabit ethernet port, then replacing the SR type SFP with SFP ER and adding fiber optic attenuators so that the speed test results on the customer side have returned to its original appearance, 10 Mbps. And the results of AMI implementation show that the OpEx arising is around Rp. 1,250,000, -. While CapEx amounted to Rp. 1,468,000, -."

"Perkembangan teknologi menuntut pembaruan di berbagai bidang, salah satunya bidang keamaanan. Di antaranya, terdapat pengembangan pemanfaatan laser di dalam air. Dalam pengembangan sistem deteksi berbasis cahaya laser, diperlukan berbagai data mengenai sifat cahaya laser di dalam air yang mana akan diteliti dalam buku skripsi ini. Jenis laser yang digunakan adalah laser gas Helium-Neon dengan panjang gelombang 632 nm dan daya 30 mW. Penelitian dilakukan dengan menganalisis daya terukur dari laser sebelum dan setelah terjadi propagasi serta pemantulan pada akuarium yang berisikan air dengan berbagai tingkat salinitas. Hal-hal yang dikaji pada penelitian ini adalah karakteristik propagasi laser dan rugi-rugi daya laser. Tahap berikutnya adalah menyusun jaring-jaring laser dengan arah propagasi cahaya horizontal, tegak lurus dinding akuarium. Selanjutnya pada posisi terakhir berkas cahaya digunakan detektor LDR, yang menggunakan Arduino UNO sebagai mikrokontrolernya. Rangkaian tersebut memberikan peringatan berupa suara buzzer dan kedipan LED merah ketika jaring-jaring laser Helium-Neon tidak terdeteksi oleh LDR. Dari hasil eksperimen diperoleh bahwa rugi-rugi daya laser untuk jaring-jaring horizontal berkisar antara 33,16% sampai 73,19%; dengan rugi-rugi lebih tinggi terjadi ketika berkas laser berpropagasi menembus akuarium. Dari hasil perhitungan diperoleh nilai absorptivitas air dengan salinitas 35 ppt adalah 0,00962 L mol-1cm-1, nilai ini merupakan nilai dengan error terkecil pada perhitungan. Dengan pengembangan lebih lanjut, diharapkan hasil riset ini dapat diaplikasikan untuk membangun sistem pendeteksi obyek di dalam air.

---

Technological developments demand updates in various fields, one of which is security. Among them is the development of the use of lasers in water. In developing a laser light-based detection system, various data regarding the properties of laser light in water are needed, which will be examined in this thesis. The type of laser used is a Helium-Neon gas laser with a wavelength of 632 nm and a power of 30 mW. The research was conducted by analyzing the measured power of the laser before and after propagation and reflection occurred in an aquarium containing water with various levels of salinity. In this work, the characteristics of laser propagation and laser power losses were studied, followed by the arrangement of the laser mesh with the light propagation direction horizontal, perpendicular to the aquarium wall. Furthermore, in the last position of the light beam, an LDR detector is used, which uses an Arduino UNO as the microcontroller. The circuit gives a warning in the form of a buzzer and red LED flashes when the Helium-Neon laser mesh is not detected by the LDR. From the experimental results, it was found that the laser power losses for horizontal mesh ranged from 33.16% to 73.19%; with higher losses occurring when the laser beam propagated through the aquarium. From the calculation results, the absorptivity value of water with a salinity of 35 ppt is 0.00962 L mol-1cm-1, this value is the value with the least error in the calculation. With further development, it is hoped that the results of this research can be applied to build an object detection system in water."

"Pada penelitian ini, dirancang sebuah triple-band bandpass filter (BPF) menggunakan hairpin Tri Section Step Impedance Resonator (TSSIR), yang dapat bekerja pada frekuensi 1400 MHz, 2400 MHz dan 3800 MHz secara bersamaan, dirancang, dibuat dan dievaluasi. Proses perancangan dan simulasi menggunakan perangkat lunak Advanced Design System (ADS). Bandpass Filter (BPF) yang dirancang menggunakan konfigurasi hairpin TSSIR yang dibuat pada Printed Circuit Board (PCB) FR-4 dengan nilai permitivitas 4.6, ketebalan substrat 1.6 mm dan loss tangent 0.002. Parameter yang digunakan saat perancangan ialah Insertion Loss, Return Loss, VSWR dan Bandwidth. Hasil simulasi Return Loss memiliki nilai -30.156 dB, -20.607 dB, dan -17.287 dB dan hasil fabrikasi pada penelitian ini memiliki nilai Return Loss sebesar dan -15.007 dB, -10.467 dB, dan -10.047 dB. Sedangkan nilai hasil simulasi Insertion Loss sebesar -0.682 dB, -0.855 dB, dan -1.262 dB dan hasil fabrikasi pada penelitian ini memiliki nilai Insertion Loss sebesar -2.236 dB, -2.983 dB dan -12.067 dB. Sehingga pada perancangan kali ini bandwidth pada frekuensi tengah yang ketiga (3800) MHz tidak memenuhi target disebabkan  adanya perbedaan nilai konstanta dielektrik substrat yang memiliki nilai pada rentang 4.6-4.9 pada tempat fabrikasi sehingga terjadinya pergeseran frekuensi tengah dan tidak tercapainya parameter yang diinginkan.

---

In this research, a triple-band bandpass filter (BPF) was designed using a hairpin Tri Section Step Impedance Resonator (TSSIR), which can work at 1400 MHz, 2400 MHz and 3800 MHz simultaneously, was designed, fabricated and evaluated. The design and simulation process uses the Advanced Design System (ADS) software. The Bandpass Filter (BPF) was designed using a TSSIR hairpin configuration made on a Printed Circuit Board (PCB) FR-4 with a permittivity value of 4.6, a substrate thickness of 1.6 mm and a loss tangent of 0.002. The parameters used when designing are Insertion Loss, Return Loss, VSWR and Bandwidth. The results of the Return Loss simulation have values of -30,156 dB, -20,607 dB, and -17,287 dB and the fabrication results in this study have Return Loss values of and -15,007 dB, -10,467 dB, and -10,047 dB. While the insertion loss simulation results are -0.682 dB, -0.855 dB, and -1.262 dB and the fabrication results in this study have insertion loss values of -2.236 dB, -2.983 dB and -12.067 dB. So that in this design the bandwidth at the third center frequency (3800) MHz does not meet the target due to differences in the dielectric constant values of the substrate which have values in the range 4.6-4.9 at the fabrication site resulting in a shift in the middle frequency and the desired parameters are not achieved."

"Banjir di perkotaan merupakan bencana yang signifikan karena banyaknya penduduk yang terkena dampaknya. Dalam kebanyakan kasus, banjir terjadi bersamaan dengan hujan lebat, sehingga jika diamati dari satelit yang menggunakan sensor optik, daerah tersebut tertutup awan. Penelitan ini mengusulkan framework baru untuk klasifikasi banjir daerah perkotaan menggunakan sensor satelit penginderaan jauh Synthetic Aperture Radar (SAR) yang mempunyai kemampuan menembus awan. Framework ini dikembangkan untuk mengklasifikasi daerah banjir dengan mempertahankan variasi temporalnya. Studi kasus yang digunakan adalah wilayah Jakarta menggunakan metode 3D CNN multi-sensor pada data Sentinel-1 (S-1) multi-temporal dan curah hujan rata-rata Climate Hazard Infrared Precipitation Sensor (CHIRPS). Data terdiri atas 24 scene S-1 dengan polarisasi ganda VV dan VH antara bulan Maret 2019-Februari 2020 yang terdiri dari 20 citra co-polarized dan cross-polarized yang terdiri dari 2 citra co-event, 18 citra pre-event, dan 4 citra post-event sebagai testing data dan data curah hujan dari CHIRPS. Training dilakukan dengan menggunakan hyperparameter 150 epoch, batch size sebesar 100, learning rate sebesar 0,001 dan komposisi data set training/testing digunakan 80/20. Hasil pengujian 3D CNN memberikan rata-rata overall accuracy sebesar 70,3% dengan waktu pemrosesan 113 detik untuk setiap epoch. Dengan hasil tersebut metode 3D CNN diharapkan mampu membantu mengestimasi luas area banjir yang akurat dan mengidentifikasi daerah yang berpotensi mengalami banjir dalam rangka deteksi dini/pencegahan banjir kota-kota lain di masa mendatang.

---

Urban flooding is a significant catastrophe due to its widespread impact on the population. Typically, floods occur concurrently with heavy rainfall, rendering the affected area obscured by clouds when observed through optical sensors on satellites. To address this issue, a novel approach is proposed in this study, aiming to classify flooded urban areas using a remote sensing synthetic aperture radar (SAR) sensor on a satellite. Unlike optical sensors, SAR has the ability to penetrate clouds. The framework was developed by employing the 3D Convolutional Neural Network (CNN) method to preserve the temporal variability, which processed multi-temporal SAR data from Sentinel-1 (S-1) and average rainfall data from the Climate Hazards Infrared Precipitation Sensor (CHIRPS). The dataset used in this research comprised 24 S-1 scenes with Dual VV and VH polarization, covering the period between March 2019 and February 2020 divided into 2 co-event images, 18 pre-event images, and 4 post-event images, along with rainfall data from CHIRPS. The training phase employed hyperparameters of 150 epochs, batch size of 100, and learning rate at 0,001, with training/testing data split of 80/20. The 3D CNN achieved an average overall accuracy of 70.3%, with maximum accuracy at 71,4% and each epoch taking 113 seconds on average to process. These results demonstrate the potential of the 3D CNN method to accurately estimate the extent of flooding and identify areas at risk of flooding, thereby aiding early detection and flood prevention efforts in other cities in the future."