Hasil Pencarian  ::  Simpan CSV :: Kembali

"Indonesia merupakan negara rawan gempa karena secara geografis indonesia terletak pada pertemuan empat lempeng tektonik. Karena ini, pengembangan sebuah sistem prediksi real-time gempa bumi yang mencakup wilayah yang luas dengan gempa bumi besar sangat dibutuhkan untuk mengurangi korban jiwa. Penelitian ini mengusulkan pembuatan sistem pendeteksi cepat kedatangan gelombang-p dan penentuan hiposenter dan magnitudo gempa menggunakan deep-learning. Pengembangan sistem berbasis web ini bertujuan untuk memperingati masyarakat agar dapat lebih dini untuk melindungi diri sebelum gempa terjadi. Menggunakan data dari BMKG, data yang kami gunakan mencakupi 1892 set data gempa pada tahun 2009–2017 dan 26 set data gempa dari Katalog BMKG Januari 2019, penelitian ini menggunakan algoritma STA/LTA dalam menemukan P-Arrival dan membandingkan tiga model pembelajaran mesin untuk memprediksi hiposenter gempa dimana model Conv1d digabung dengan LSTM dengan interval waktu 20 detik merupakan skenario model terbaik dengan memiliki mean absolute error sebesar 0.470. Selain itu, penelitian ini berhasil mengimplementasi sistem berbasis web yang dapat menampilkan visualisasi data dengan menggunakan websocket berdasarkan data seismik yang dikumpulkan oleh BMKG. Visualisasi data seismik ini ditampilkan menggunakan dynamic line chart dan peta web interaktif.

---

Indonesia is an earthquake-prone country because geographically Indonesia is located at the confluence of four tectonic plates. Therefore, the development of a real-time earthquake prediction system that covers large areas with large earthquakes is urgently needed to reduce fatalities. This study proposes the creation of a rapid detection system for the arrival of p-waves, hypocenters and earthquake magnitudes using deep-learning. The development of this web-based system is aimed at warning people so that they can protect themselves before an earthquake occurs. Using data from BMKG, we used 1892 earthquake data sets in 2009–2017 and 26 earthquake data sets from January 2019 BMKG Catalog, this research uses the STA/LTA algorithm to find P-Arrival and compares three machine learning models to predict the earthquake hypocenter where Conv1d model is combined with LSTM with a time interval of 20 seconds is the best model scenario with a mean absolute error of 0.470. In addition, this research succeeded in implementing a web-based system that can display data visualization using websocket based on seismic data collected by BMKG. This seismic data visualization is displayed using dynamic line charts and an interactive web map."

"Salah satu analisis yang dapat dilakukan untuk mendeteksi adanya gangguan perkembangan anak adalah dengan membandingkan umur skeletal dengan umur nyata dari anak. Umur skeletal dapat dicari dengan melihat umur tulang tangan. Metode penilaian umur tulang dapat dilakukan dengan pendekatan artificial intellgence. Dengan adanya AI diharapkan dapat mengotomatisasi perhitungan umur tulang berdasarkan citra X-Ray tulang tangan anak. Salah satu metode yang dapat digunakan untuk melakukan prediksi umur tulang adalah deep learning menggunakan arsitektur Convolutional Neural Network (CNN). Model CNN dapat melakukan berbagai hal, seperti segmentasi semantik, key point detection dan regresi. Hasil pengujian menunjukkan bahwa dengan menggunakan preprocessing berupa segmentasi semantik, key point detection dan transformasi z-score terhadap umur tulang berhasil mendapatkan nilai RMSE 10.076 bulan dan MAE 7.735 bulan, lebih kecil jika dibandingkan dengan human-level performance yang memiliki MAE 8.76 bulan

---

One method of analysis that can be done to detect growth hormone deficiency is to compare the skeletal age to the real age of the child. The skeletal age of a subject can be found by estimating the hand bone age. The estimation of hand bone age can be done using artificial intelligence approach. With the presence of AI, we can automate the estimation of bone age using X-Ray images of a child’s hand. One method that we can use to estimate bone age is deep learning using Convolutional Neural Network (CNN) architecture. CNN can do many things, such as semantic segmentation, key point detection, and regression. We found that using preprocessing such as semantic segmentation, key point detection and z-score transformation of the bone age can achieve 10.076 months RMSE and 7.735 months MAE, that is lower than the human-level performance which has 8.76 months MAE."

"Indonesia merupakan negara rawan gempa karena secara geografis indonesia terletak pada pertemuan empat lempeng tektonik. Karena ini, pengembangan sebuah sistem prediksi real-time gempa bumi yang mencakup wilayah yang luas dengan gempa bumi besar sangat dibutuhkan untuk mengurangi korban jiwa. Penelitian ini mengusulkan pembuatan sistem pendeteksi cepat kedatangan gelombang-p dan penentuan hiposenter dan magnitudo gempa menggunakan deep-learning. Pengembangan sistem berbasis web ini bertujuan untuk memperingati masyarakat agar dapat lebih dini untuk melindungi diri sebelum gempa terjadi. Menggunakan data dari BMKG, data yang kami gunakan mencakupi 1892 set data gempa pada tahun 2009–2017 dan 26 set data gempa dari Katalog BMKG Januari 2019, penelitian ini menggunakan algoritma STA/LTA dalam menemukan P-Arrival dan membandingkan tiga model pembelajaran mesin untuk memprediksi hiposenter gempa dimana model Conv1d digabung dengan LSTM dengan interval waktu 20 detik merupakan skenario model terbaik dengan memiliki mean absolute error sebesar 0.470. Selain itu, penelitian ini berhasil mengimplementasi sistem berbasis web yang dapat menampilkan visualisasi data dengan menggunakan websocket berdasarkan data seismik yang dikumpulkan oleh BMKG. Visualisasi data seismik ini ditampilkan menggunakan dynamic line chart dan peta web interaktif.

---

Indonesia is an earthquake-prone country because geographically Indonesia is located at the confluence of four tectonic plates. Therefore, the development of a real-time earthquake prediction system that covers large areas with large earthquakes is urgently needed to reduce fatalities. This study proposes the creation of a rapid detection system for the arrival of p-waves, hypocenters and earthquake magnitudes using deep-learning. The development of this web-based system is aimed at warning people so that they can protect themselves before an earthquake occurs. Using data from BMKG, we used 1892 earthquake data sets in 2009–2017 and 26 earthquake data sets from January 2019 BMKG Catalog, this research uses the STA/LTA algorithm to find P-Arrival and compares three machine learning models to predict the earthquake hypocenter where Conv1d model is combined with LSTM with a time interval of 20 seconds is the best model scenario with a mean absolute error of 0.470. In addition, this research succeeded in implementing a web-based system that can display data visualization using websocket based on seismic data collected by BMKG. This seismic data visualization is displayed using dynamic line charts and an interactive web map"

"Pengetahuan makanan tradisional adalah aspek penting dalam kehidupan manusia. Dari aspek sosial budaya, Pengetahuan terkait makanan tradisional diperlukan untuk melindungi budaya leluhur. Dari segi kesehatan, makanan tradisional memiliki kandungan bahan yang lebih baik dan alami dibandingkan dengan bahan makanan olahan seperti makanan cepat saji. Berdasarkan latar belakang ini, sebuah sistem klasifikasi otomatis makanan tradisional dikembangkan. Data diakuisisi dengan menggunakan kamera pribadi yang diambil di sebuah studio yang sudah diatur secara profesional ditambah dengan data makanan tambahan yang berasal dari internet. Total keseluruhan data yang dimiliki ada 3500 data makanan yang terbagi ke dalam 35 jenis makanan tradisional. Setiap jenis terdiri dari 100 data makanan. Data dibagi menjadi data latih dan data uji dengan perbandingan 8:2. 6 model CNN dikembangkan untuk melakukan klasifikasi pada data ini. Model yang diujicobakan adalah DenseNet121, ResNet50, EfficientNetB0, InceptionV3, Xception, dan CoAtNet0. Sebuah model generatif dikembangkan demi bisa melakukan augmentasi data pada data makanan yang ada. Hasil evaluasi mengindikasikan bahwa model CoAtNet memiliki f1 score lebih tinggi dibandingkan DenseNet121 milik peneliti sebelumnya yaitu sebesar 0.01958. Dengan nilai F1 score ini, model tersebut masih belum mampu melakukan klasifikasi makanan yang sudah ditambahkan dengan data lain. Di sisi lain, model generatif juga gagal dalam melakukan augmentasi data karena kekurangan jumlah data latih. Model yang sudah dicoba kemudian di-deploy ke aplikasi berbasis web agar dapat diuji coba oleh pengguna. Pengguna dapat menjadi kontributor dalam memberikan data latih kepada dataset yang ada melalui aplikasi web ini.

---

Traditional food knowledge is an important aspect of human life. From a sociocultural aspect, traditional food-related knowledge is needed to protect ancestral culture. In terms of health, traditional food has better and natural ingredients compared to processed food such as fast food. Based on this background, a traditional food classification automatic system was implemented. Data was acquired using a personal camera taken in a professionally organised studio and additional food data from the internet. In total, there are 3500 food data divided into 35 types of traditional food. Each type consists of 100 food data. The data is divided into training data and test data with a ratio of 8:2. 6 CNN models were developed to perform classification on this data. The models tested were DenseNet121, ResNet50, EfficientNetB0, InceptionV3, Xception, and CoAtNet0. A generative model was developed in order to perform data augmentation on the existing food data. The evaluation results indicate that the CoAtNet model has a higher f1 score than the previous researcher’s DenseNet121, which is 0.01958. With this F1 score, the model is still unable to classify food that has been added with other data. On the other hand, the generative model also failed to perform data augmentation due to lack of training data. The tested model was then deployed to a web-based application so that it could be tested by users. Users can become contributors in providing training data to the existing dataset through this website application."

"Dalam era perkembangan teknologi, penerapan teknologi informasi menjadi kunci untuk meningkatkan efisiensi dan efektivitas operasional perusahaan. Data science memainkan peran penting dalam mengubah data besar menjadi pengetahuan yang berguna untuk pengambilan keputusan. Skripsi ini mengembangkan platform AutoML (Automated Machine Learning) pada aplikasi Lumba.ai yang dirancang untuk mempermudah proses prediksi tanpa memerlukan keterampilan teknis khusus. AutoML menawarkan tur otomatisasi untuk memilih model terbaik berdasarkan dataset yang diberikan, serta menyederhanakan proses pemrosesan data. AutoML diimplementasikan menggunakan message queuer dan worker secara asinkron. Prediksi pada tur AutoML dilakukan menggunakan tiga jenis metode prediksi, yaitu klasi kasi, regresi, dan klaster, dengan berbagai dataset untuk menilai kinerja model yang dihasilkan. Hasil penelitian menunjukkan bahwa Lumba.ai dapat memberikan hasil prediksi yang akurat dan e sien, serta memberikan visualisasi yang informatif untuk analisis lebih lanjut. Saran dan masukan dari pengguna juga diintegrasikan untuk meningkatkan fungsionalitas dan kegunaan platform.

---

In the era of technology development, the application of information technology is crucial for enhancing operational ef ciency and effectiveness. Data science plays a vital role in transforming big data into useful knowledge for decision-making. This thesis develops an AutoML (Automated Machine Learning) feature on Lumba.ai application, designed to facilitate prediction processes without requiring specialized technical skills. Lumba.ai offers automated features for selecting the best model based on the given dataset and simpli es data preprocessing. This feature is implemented by using asynchrnous worker and message queuer. Predictions from AutoML feature involves three types of prediction methods, that is classi cation, regression, and clustering, using various datasets to assess model performance. The results demonstrate that Lumba.ai provides accurate and ef cient predictions and offers informative visualizations for further analysis. User feedback is integrated to enhance the platform’s functionality and usability."

"Pemelajaran mesin dikenal sangat berguna dalam menyelesaikan permasalahan prediksi dan klasifikasi melalui pembelajaran pola dan perilaku data yang tersedia. Oleh karena itu, pemelajaran mesin dapat dimanfaatkan di berbagai bidang kehidupan dan industri modern. Namun, kinerja pemelajaran mesin sangat tergantung dari model pemelajaran mesin yang digunakan maupun dari kualitas data yang digunakan untuk pemelajaran. Data yang tidak bersih, tidak representatif, dan ketersediaannya terbatas akan mengurangi kualitas hasil prediksinya.Penelitian ini bertujuan untuk menguji kombinasi beberapa metode pemrosesan data (yaitu MissForest, GAIN, ENN, dan TabGAN oversampling) dengan model pembelajaran mesin (yaitu model CatBoost dan model klasifikasi biner berbasis neural network) untuk memprediksi kasus mahasiswa putus studi di beberapa universitas di Indonesia menggunakan data dari PDDikti. Penambahan fitur dilakukan untuk memberi label bidang studi terhadap dataset tersebut. Selain penambahan fitur seleksi fitur relevan menggunakan korelasi Pearson serta feature importances juga dilakukan setelah pelatihan model awal. Google Colab dengan bahasa pemrograman Python digunakan untuk menjalankan algoritma pemrosesan data dan pelatihan model.Hasil penelitian menunjukkan bahwa model CatBoost dengan kombinasi metode imputasi GAIN, undersampling ENN, dan tanpa fitur kelompok bidang studi memberikan F1-score tertinggi yaitu 66,38% dengan nilai precision 71,75% dan nilai recall 61,76%. Apabila digunakan model klasifikasi biner pemelajaran dalam akan didapatkan metrik terbaik F1-score 62,32%. Hasil terbaik penelitian ini menunjukkan peningkatan F1-score sebesar 2,15% dibandingkan dengan F1-score pada penelitian sebelumnya yang menggunakan model CatBoost bersama kombinasi Missforest dan ENN tanpa fitur kelompokbidang studi. Penelitian ini menunjukkan bahwa oversampling dan undersampling memberikan dampak yang berlawanan terhadap metrik precision dan recall. Penelitian juga menemukan seleksi fitur dapat meningkatkan kinerja model namun tidak berdampak besar dibandingkan teknik-teknik lain misalnya balancing dan optimisasi hyperparameter.

---

Machine learning is known to be very useful in solving prediction and classification problems

by learning the patterns and behavior of available data. Therefore, machine learning can be utilized in various areas of modern life and industry. However, the performance of machine learning is highly dependent on the machine learning model used as well as on the quality of the data used for learning. Data that is not clean, not representative, and scarce will reduce the quality of the prediction results.

This study aims to test the combination of several data processing methods (namely MissForest, GAIN, ENN, and TabGAN oversampling) with machine learning models (CatBoost and binary classification models based on neural networks) to predict dropout cases at several Indonesian universities using data from PDDikti. The addition of features is done to label data with their respective fields of study. Other than adding features, selection of relevant features using Pearson’s correlation as well as feature importances is also carried out after initial model training. Google Colab with the Python programming language is used to run data processing algorithms and train models.

This study shows that CatBoost with the combination of GAIN imputation, ENN undersampling, and no field of study feature results in the highest F1-score of 66.38%, which are composed of 71.75% in precision and 61.76% in recall. If a deep learning binary classification model is used instead, the best F1-score result is 62.32%. The best result from this study shows an increase in F1-score of 2.15% compared to the F1-score of the previous study (64.23%) which used CatBoost along with a combination of Missforest, ENN and no field of study features. This research shows oversampling and undersampling produce opposite effects on precision and recall scores. Research has also

found that feature selection can improve model performance but does not have a large impact compared to other techniques such as balancing and hyperparameter optimization"

"Masyarakat membutuhkan teknologi digital untuk mempermudah pekerjaan sehari-hari. Salah satu dampak dari teknologi digital adalah pengurusan dokumen fisik yang berubah menjadi dokumen digital. Pada ranah logistik tidak terlepas dari dokumen yang memuat informasi atas kepemilikan barang. Angkutan peti kemas memiliki banyak sekali dokumen fisik dalam proses pengirimannya. Dokumen fisik ini dapat menjadi target kejahatan seperti contohnya dipalsukan, disalin, atau dirusak. Biaya pengurusan administrasinya juga dapat dikatakan mahal karena banyak pihak terlibat. Dokumen penting yang dapat menjadi target kejahatan yaitu Bill of Lading. Oleh karena itu, penulis ingin membuat sebuah sistem yang dapat mengatasi masalah-masalah tersebut. Pada tugas akhir ini penulis mencoba untuk membuat sebuah sistem berbasis blockchain untuk pengurusan administrasi, khususnya pada dokumen Bill of Lading. Rancangan sistem terdiri dari front-end, back-end, dan blockchain. Blockchain dibuat menggunakan Ethereum dengan framework Geth dan bertipe permissioned blockchain. Penyimpanan data dan proses bisnis dilakukan pada smart contract yang ditanam ke dalam blockchain. Setiap node akan tersinkronisasi dengan node lain melalui mekanisme konsensus proof-of-authority, sehingga data yang dimiliki akan selalu sama. Sistem dievaluasi dengan menguji sifat dasar blockchain, yaitu decentralized, immutable, dan verifiable. Walaupun sistem masih terdapat beberapa kekurangan, hasil pengujian tugas akhir ini menunjukkan bahwa sistem berbasis Ethereum ini dapat menjadi alternatif untuk sistem yang masih tradisional.

---

People need digital technology to make their daily work easier. One of the impacts of digital technology is the processing of physical documents that turn into digital documents. In the realm of logistics, it cannot be separated from documents containing information on ownership of goods. Container transportation has a lot of physical documents in the shipping process. These physical documents can be the target of crimes such as being forged, copied, or tampered with. Administration costs can also be said to be expensive because many parties are involved. Bill of Lading is an important document that can be a target for crime. Therefore, the author wants to create a system that can overcome these problems. In this research, the author tries to create an blockchain-based system for administrative management, especially in the Bill of Lading document. The system design consists of front-end, back-end, and blockchain. The blockchain is created using Ethereum network with the Geth framework and is a permissioned blockchain. Data storage and business processes are carried out on smart contracts embedded into the blockchain. Each node will be synchronized with other nodes through a proof-of-authority consensus mechanism, so the data held will always be the same. The system is evaluated by testing the basic properties of the blockchain, namely decentralized, immutable, and verifiable. Although the system still has some shortcomings, the results of this final project show that this Ethereum-based system can be an alternative to traditional systems."

"Perkembangan teknologi informasi mengalami peningkatan pesat dalam satu dekade terakhir. Beberapa teknologi baru mulai diperkenalkan kepada publik. Salah satu teknologi yang ramai diperbincangkan adalah blockchain. Dalam satu dekade terakhir, pengaplikasian blockchain mulai diterapkan pada bidang, seperti supply-chain, logistik, keuangan, dan kesehatan. Pada bidang kesehatan, pertukaran data medis sering dilakukan baik antar penyedia layanan kesehatan ataupun dengan pihak lainnya, seperti pihak asuransi. Pertukaran data ini memang sudah dapat dilakukan melalui sistem Electronic Health Record (EHR) yang ada, namun seiring berjalannya hal tersebut, terdapat isu seperti kepercayaan antar pemangku kepentingan akibat adanya risiko pengubahan data EHR. Isu lainnya adalah sistem EHR yang ada berisiko mengalami single-point of failure. Dalam mengatasi permasalahan tersebut, dilakukan pembuatan EHR sistem berbasis blockchain menggunakan Hyperledger Fabric. Dalam penelitian ini dilakukan analisis atas keempat aspek, yaitu aspek performa, integrity, confidentiality, dan robustness. Penelitian ini diharapkan dapat berguna sebagai pemahaman baru dan pertimbangan

---

Information and technology development rapidly increasing in a last decade. New technologies have introduced to public. One of the new trend technology is blockchain. From the last decade, the applications of blockchain has widely spread to the sectors, such as supply-chain, logistic, finance, and healthcare. In healthcare sector, medical data is frequently exchange between healthcare providers or others parties such as insurance company. This data exchange system has already established in the Electronic Health Record (EHR) system from most of the healthcare providers. Nevertheless, the existing system still raising issues as the trust among the stakeholders due to the risk of EHR data manipulation. Other issues is the existing EHR system has potential to the single-point of failure of the system. Responding to the stated problems, the EHR system based on blockchain using Hyperledger Fabric was proposed. The study analyzing four aspects from the proposed EHR system, the performance, integrity, confidentiality, and robustness aspect."

"Sistem lampu lalu lintas cerdas merupakan sistem yang dapat melakukan pengaturan lampu lalu lintas secara adaptif berdasarkan kondisi kepadatan lalu lintas. Salah satu cara untuk mendapatkan kondisi kepadatan lalu lintas adalah melakukan komputasi penghitungan jumlah kendaraan dari video CCTV yang terpasang pada persimpanan. Pada penelitian ini dilakukan paralelisasi program penghitungan jumlah kendaraan menggunakan modul Multiprocessing pada python untuk mendapatkan data penghitungan kendaraan dari setiap jalan di persimpangan. Selanjutnya utilisasi GPU dilakukan untuk mendapatkan data secara real time dari suatu komputasi berat video processing. Pada penelitian ini, utilisasi GPU dilakukan dengan menggunakan CUDA sebagai platform yang dapat menghubungkan program dengan GPU pada low-level. Pengelolaan utilisasi GPU pada high-level dilakukan menggunakan TensorFlow yang sudah terintegrasi dengan CUDA. Uji coba eksekusi program dilakukan untuk mendapatkan runtime terbaik dari eksekusi program. Komputasi secara paralel menghasilkan runtime eksekusi komputasi 1.6 kali lebih cepat jika dibandingkan dengan komputasi secara sekuensial. Pada tingkat utilisasi GPU yang lebih optimal, runtime eksekusi komputasi dapat ditingkatkan hingga 2 kali lebih cepat dari komputasi normal. Utilisasi GPU juga terbukti meningkatkan runtime eksekusi program karena komputasi utama video processing tidak lagi dijalankan menggunakan CPU. Hasil uji eksekusi komputasi digunakan untuk membuat visualisasi data penghitung jumlah kendaraan. Visualisasi ini dilakukan agar data yang penghitungan dapat diproses lebih lanjut untuk sistem pengatur lampu lalu lintas. Pada akhir penelitian dilakukan profiling performa GPU menggunakan Nvprof dan NVIDIA Visual Profiler sebagai tools yang disediakan oleh CUDA. Hasil profiling menunjukkan analisis yang menyatakan bahwa tingkat penggunaan GPU untuk komputasi masih belum secara maksimal dilakukan. Hal ini terbukti dari rendahnya angka compute utilization, average throughput dan kernel concurency dari eksekusi program. Sehingga diperlukan adanya optimisasi program penghitungan kendaraan agar utilisasi GPU lebih optimal.

---

Traffic light intelligence system is an adaptive system which able to control traffic flow on road intersection based on traffic condition. Traffic density information can be obtained from vehicle counting computation using deep learning methodology on CCTV record video data of a road intersection. This study performed parallelization of the vehicle counting computation using the Multiprocessing module in python to get the number of vehicles approaching the intersection. GPU Utilization is performed to obtain vehicle counting data in real time from a heavy computation like video-processing. GPU utilization is carried out using CUDA as a platform that can connect programs with GPUs at low-level architecture. GPU utilization management at high-level is done using TensorFlow which has been integrated with CUDA. Some experiments are performed to get the best runtime from program execution. Parallel computation produces runtime execution 0.6 times faster compared to sequential computation. On more GPU compute utilization optimization, parallel computation can produce runtime 2 times more compared to normal computation. GPU utilization has also been proven to increase the program execution runtime because the main computational video processing is no longer run on the CPU. The experiment result on vehicle detection used to create data visualization about vehicle counting on a road intersection. Data visualization is done so that the vehicle data can be further processed for the traffic light control system. At the end of the study GPU performance profiling was done using Nvprof and NVIDIA Visual Profiler as tools provided by CUDA. Profiling results show that analysis states that the level of GPU usage for computing is still not maximally done. This analysis is shown from the low number of compute utilization, average throughput and kernel concurrency of program execution. GPU utilization need to be optimized in order the program can run optimally on GPU."

"Ekspor dan impor merupakan kegiatan jual-beli barang antarnegara yang memerlukan dokumen bernama delivery order untuk mengirim barang. Di Indonesia kegiatan ini didukung oleh sistem single-window yang dinamakan INSW atau Indonesia National Single Window yang juga menangani pembuatan dokumen delivery order. Saat ini, dokumen permohonan delivery order perlu dilakukan verifikasi manual dua pihak yaitu INSW dan shipping line. Terdapat peluang pemanfaatan teknologi blockchain bernama smart contract untuk mengotomasi proses pembuatan dokumen delivery order tanpa memerlukannya verifikasi manual namun tetap memiliki persetujuan semua pihak terlibat. Penelitian merupakan simulasi proses bisnis delivery order berbasis blockchain dan smart contract, kemudian dianalisis aspek fungsionalitas, authentication, access control, dan reliability. Hasil dari simulasi yaitu proses bisnis delivery order tanpa verifikasi manual dapat diimplementasi menggunakan blockchain Hyperledger Fabric dengan tetap menjaga kepercayaan dan persetujuan semua pihak yang terlibat.

---

International trade require a document called delivery order before sending cargo to the expedition. In Indonesia, the trading activities are supported by a single-window system called INSW or Indonesia National Single Window, which also handles the creation of those documents. Currently, the verification of the delivery order application needs to be manually performed by two parties: INSW and Shipping Line. There is an opportunity to utilize blockchain technology, specifically smart contracts, to automate the process of creating delivery order documents without the need for manual verification while still ensuring the approval of all involved parties. The research involves simulating the delivery order process based on blockchain and smart contracts, then analyzing aspects of functionality, authentication, access control, and reliability. The result of the simulation shows that the delivery order process without the manual verification can be implemented using the Hyperledger Fabric blockchain while maintaining the trust and approval of all parties."