Hasil Pencarian  ::  Simpan CSV :: Kembali

"Protein mempunyai peranan penting sebagai struktur dalam tubuh virus. Protein tersebut saling berinteraksi membentuk jaringan interaksi protein-protein. Jaringan interaksi protein coronavirus mempunyai ribuan protein dan interaksi yang membentuk jaringan interaksi protein yang besar, sehingga diperlukan metode pengelompokan untuk menyederhanakan analisis jaringan tersebut. Pada penelitian ini, algoritma Markov Clustering (MCL) yang dikombinasikan dengan maximum matching dijalankan pada sebuah kerangka kerja multilevel untuk mengelompokkan jaringan interaksi protein coronavirus. Algoritma maximum matching digunakan untuk memperoleh hasil matching yang optimal di fase graph coarsening pada setiap level dan algoritma MCL digunakan untuk mengelompokan jaringan interaksi protein tersebut. Hasil pengelompokan yang paling optimal diperoleh pada parameter penggelembungan dengan level-1. Hasil tersebut dilihat berdasarkan nilai average N-cut yaitu 0,8729. Semakin kecil nilai average N-cut, maka kualitas hasil pengelompokannya semakin baik. Hasil pengelompokan terbaik pada jaringan interaksi protein coronavirus menggunakan ML-MCL dengan maximum matching dihasilkan 21 klaster terpisah dengan 4911 interaksi. Protein yang mempunyai peran penting dapat dilihat dari pusat klaster pada hasil pengelompokan terbaik dan protein-protein tersebut yaitu ZW10, ZYG11A, ZNF771, ZZEF1, ZNF451, ZNF668, YKT6, WDR11, ZNF318, ZYG11B, ZNF428, ZPR1, ZFR, TK2, ZNF746, UBR5, ZNF609, ZZZ3, ZBTB16, XPNPEP3, dan USP7. Waktu yang dibutuhkan pada hasil pengelompokan terbaik yaitu 376,6494 detik. Pada simulasi ini, tidak terdapat protein yang hilang pada seluruh hasil pengelompokan.

---

Protein has an essential role as a structure in the body of the virus. These proteins interact to form a network of protein-protein interactions. The protein interaction network of coronavirus has thousands of proteins and interactions that form a large protein interaction network, so that a clustering method is needed to simplify the analysis of the network. In this study, the Markov Clustering (MCL) algorithm was built combined with maximum matching in a multilevel framework to cluster the protein interaction network of coronavirus. The maximum matching algorithm is used to obtain the optimal matching result in the graph coarsening phase at each level, and the MCL algorithm is used to cluster the protein interaction network. The most optimal grouping results were obtained at inflation parameter with level-1. These results are seen based on the average N-cut value, which is 0.8729. The smaller the average N-cut value, the better the quality of the clustering results. The best clustering result of the protein interaction network of coronavirus using ML-MCL with maximum matching resulted in 21 separate clusters with 4911 interactions. Proteins that have an important role can be seen from the center of the cluster of the best clustering result, and these proteins are ZW10, ZYG11A, ZNF771, ZZEF1, ZNF451, ZNF668, YKT6, WDR11, ZNF318, ZYG11B, ZNF428, ZPR1, ZFR, TK2, ZNF746, UBR5, ZNF609, ZZZ3, ZBTB16, XPNPEP3, and USP7. The time required for the best clustering results is 376.6494 seconds. In this simulation, there were no missing proteins in all clustering results."

"Perkembangan teknologi drone menyimpan beragam potensi bahaya bagi keamanan suatu wilayah. Dengan berkembangnya teknologi drone, sekelompok pihak dapat memantau secara ilegal atau bahkan melakukan penyerangan jarak jauh dengan mengendalikan drone menggunakan remote control maupun memprogram strategi pergerakan drone yang digunakan. Potensi bahaya teknologi drone menjadi semakin mengancam ketika drone yang digunakan untuk menyerang adalah bertipe drone berkelompok, yang memungkinkan terdapat sekelompok drone yang terkoordinasi secara sistematis untuk melakukan penyerangan terhadap suatu area.Meskipun saat ini telah berkembang beberapa teknologi penangkal drone, teknologi yang ada cenderung difokuskan untuk menangkal satu drone tunggal. Belum terdapat publikasi mendalam yang membahas kerangka kerja penangkal serangan drone berkelompok. Pada penelitian ini, dikembangkan suatu strategi pertahanan penangkal drone berkelompok (drone swarm) menggunakan pasukan autonomous-drone penjaga keamanan wilayah. Konsep usulan yang diajukan adalah dengan cara mengembangkan algoritma koordinasi yang memungkinkan suatu pasukan autonomous-drone penjaga keamanan wilayah untuk melakukan penangkapan atau penghentian secara terorganisir terhadap kelompok drone penyerang.Adapun dasar algoritma yang digunakan pada penelitian ini adalah Social Spider Optimization (SSO). Aspek utama kontribusi di dalam penelitian ini terdapat pada modifikasi algoritma SSO untuk mengatasi persoalan pencarian multi-target-bergerak berupa penangkapan atau penghentian serangan drone berkelompok. Penelitian ini telah diuji dalam simulator 3 dimensi, dengan konfigurasi pergerakan kelompok drone penyerang yang diujikan berbasis pendekatan penyerangan sekali jalan. Uji kinerja dilakukan dengan membandingkan kinerja usulan algoritma dengan 3 alternatif algoritma pergerakan kawanan drone pertahanan. Ketika dihadapkan dengan kelompok drone penyerang yang berkerumun, dibandingkan 3 alternatif algoritma pertahanan yang lain, usulan algoritma mampu mengurangi kerusakan hingga rasio 44% (terbaik), 67% (rata-rata), dan 97% (terburuk).

---

Nowadays, drone technology development brings many dangerous possibilities for the security of an area. Because of the advanced development, many villains can conduct illegal surveillance or even long-distance attack on an area by remote controlling a drone or programming the drone movement strategy. Meanwhile, the dangerous impact of drone technology usage becomes higher when the technology used to attack an area is the type of drone swarm technology. In this kind of technology, every drone can coordinate and communicate while striking an area.

Although there have been many anti-drone technologies developed at the moment, they tend to focus on targeting one single drone only. So far, no publication comprehensively proposes a framework to overcome the multi-drone attack. This research presents an anti-drone-swarm defense strategy to protect area safety by using the autonomous-drone unit. The proposed method concept is manifested by developing a coordination algorithm for an autonomous-drone army to communicate with each other while catching or stopping the invader drone swarm.

The foundation of this research algorithm is Social Spider Optimization (SSO). This research's main contribution lies in modifying the SSO algorithm to handle the moving multiple-target searching problem, in this case, by catching or stopping the drone-swarm attack. This research has been tested in a 3D simulation environment where invader drone-swarm movement is developed based on a one-way-ticket approach. Performance evaluation is conducted by comparing the proposed method result with 3 other multiple defender drone movement algorithms. When facing an invader drone swarm with crowded formation, compared to the other 3 algorithms, the proposed method produces damage ratios up to 44% (best), 67% (average), and 97% (worst)."

"Pada penelitian ini, penerapan dari komputasi paralel dan komputasi awan dilakukan dalam sistem pendeteksi plagiarisme menggunakan algoritma winnowing dengan tujuan untuk mempersingkat waktu eksekusi program. Paralelisasi dilakukan pada bagian pemrosesan data paragraf dari dokumen referensi. Program dijalankan pada sistem komputasi awan OpenStack yang berada di Departemen Teknik Elektro, Universitas Indonesia agar dapat dilakukan paralelisasi secara optimal dengan mengutilisasi inti prosesor pada sistem. Didapatkan hasil bahwa waktu eksekusi dengan komputasi paralel berhasil menjadi lebih cepat sebesar 1,07 sampai dengan 3,52 kali dibandingkan waktu eksekusi dengan komputasi serial.

---

In this research, impementation of parallel computing and cloud computing was done within the plagiarism detection system using the winnowing algorithm with an objective to decrease the execution time of the program. Parallelization was done on the portion of the program where the paragraphs of reference documents are processed. The program was then executed on the OpenStack cloud computing system in the Department of Electrical Engineering, Universitas Indonesia in order for the parallelization to be optimal by utilizing the cores on the system. The results were that the execution time with the paralel computation was successfully sped up by 1.07 to 3.52 times compared to the execution time with serial computing."