Hasil Pencarian  ::  Simpan CSV :: Kembali

"Indonesia merupakan benua maritim, terletak antara Samudera Hindia dan Pasifik. Karena itu, interaksi laut dan atmosfer berperan penting dalam pembentukan fenomena cuaca/iklim. Pemahaman yang baik terhadap parameter laut-atmosfer skala intra-musiman menarik diteliti karena mempengaruhi kehidupan masyarakat khususnya sektor perikanan tangkap dan sesuai dengan program WMO Sub-Seasonal to Seasonal Project. Penelitian ini bertujuan untuk mengidentifikasi kekuatan hubungan, mengkaji variasi serta mendapatkan siklus/periodisitas untuk Suhu Permukaan Laut SPL , angin meridional dan curah hujan pada periode maksimum seratus hari, di 10 perairan utama Indonesia. Data diperoleh dari satelit NOAA dan TRMM tahun 2002-2015. Data diolah dan dianalisis korelasinya maupun variasinya. Setelah melakukan Fast Fourier Transform, analisis spektral menggunakan Power Spectral Density ditampilkan melalui periodogram. Hasilnya menunjukkan bahwa Laut Flores, Laut Banda dan Laut Arafura memiliki hubungan yang paling kuat untuk curah hujan dengan SPL dan angin meridional. Ketiga perairan tersebut juga memiliki nilai SPL dan curah hujan terendah dan relatif mudah diprediksi karena nilainya pada hari ke-n tidak jauh berbeda dengan nilai pada hari ke n-1. Laut Halmahera memiliki curah hujan yang tinggi karena mendapatkan pengaruh lebih besar oleh aliran arus laut hangat dari warm pool di utara Papua dari pada pengaruh oleh Monsun Australia. Angin meridional di perairan barat Indonesia dipengaruhi/terkait dengan Madden Julian Oscillation. Kekuatan periodisitas SPL, angin meridional dan curah hujan di perairan barat maupun timur Indonesia tidak selalu sebanding karena terdapat time lag.

---

Indonesia is a maritime continent, lies between the Indian and Pacific Ocean. Therefore, the interaction of ocean and atmosphere plays an important role in the formation of the phenomenon of the weather climate. A good understanding of ocean atmosphere parameters of intra seasonal scale interesting to study because it affects people 39 s lives, especially fisheries sector and according to the WMO program Sub Seasonal to Seasonal Project.

This study aims to identify the strength of the relationship, review variations and get the cycle periodicity for Sea Surface Temperature SST , meridional wind and rainfall on the maximum period of one hundred days, in 10 major Indonesian waters. Data obtained from NOAA satellites and TRMM years 2002 2015. The data is processed and analyzed the correlation and its variations. After doing a Fast Fourier Transform, spectral analysis using Power Spectral Density displayed through periodogram.

The results show that the Flores Sea, Banda Sea and Arafura Sea has the strongest relationship for rainfall with SPL and meridional wind. These waters also have a lowest value for SST and rainfall and relatively more predictable because of its value in day n is not much different from the value on day n 1. Compared with Australian Monsun, Halmahera Sea has a high rainfall because it is more influenced by the flow of warm sea currents from warm pool in the north of Papua. Meridional wind in the waters of western Indonesia influenced with the Madden Julian Oscillation. The periodicity strength of SST, meridional winds and rainfall in western and eastern waters of Indonesia are not always comparable because there is a time lag."

"Penelitian ini menyelidiki penerapan spektroskopi Raman pada sampel jaringan kanker kolorektal menggunakan pendekatan machine learning pada komputer klasik dan kuantum. Kanker kolorektal, salah satu penyebab utama kematian akibat kanker, memerlukan metode diagnostik yang akurat dan efisien. Studi ini menggunakan data spektroskopi Raman dari penelitian sebelumnya dan mengimplementasikan algoritma machine learning seperti XGBoost, LightGBM, Fully Connected Neural Network (FCNN), Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), dan Gated Recurrent Network (GRU) pada komputer klasik. Selain itu, penelitian ini juga memperkenalkan pendekatan baru dengan mengaplikasikan Hybrid Quantum Neural Network (QNN). Hasil penelitian menunjukkan bahwa model XGBoost pada komputer klasik mencapai F1-Score tertinggi sebesar 64,311%, sedangkan model Hybrid Classical-Quantum Classifier menunjukkan F1-Score terendah, sebesar 55.263%. Meskipun model Hybrid Classical-Quantum Classifier memperoleh skor terendah, penelitian ini menunjukkan potensi penerapan komputasi kuantum dalam meningkatkan akurasi diagnosis kanker kolorektal di masa depan. Namun, keterbatasan perangkat keras komputer kuantum saat ini menjadi kendala signifikan yang perlu diatasi melalui penelitian lebih lanjut.

---

This study investigates the application of Raman spectroscopy to colorectal cancer tissue samples using classical and quantum computer machine learning approaches. Colorectal cancer, one of the leading causes of cancer deaths, requires accurate and efficient diagnostic methods. This study utilizes Raman spectroscopy data from previous research and implements machine learning algorithms such as XGBoost, LightGBM, Fully Connected Neural Network (FCNN), Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), and Gated Recurrent Network (GRU) on classical computers. In addition, this research also introduces a new approach by applying a hybrid quantum neural network (QNN). The results showed that the XGBoost model on classical computers achieved the highest F1-Score of 64.311%, while the Hybrid Classical-Quantum Classifier model showed the lowest F1-Score, at 55.263%. Despite the lowest score, this study shows the potential of applying quantum computing in improving the accuracy of colorectal cancer diagnosis in the future. However, the current hardware limitations of quantum computers are a significant obstacle that needs to be overcome through further research."