Pencarian Hak Kekayaan Intelektual
Dataset Sebaran Spasial Mangrove Hasil Interpretasi Citra Satelit Multitemporal tahun 2013, 2018 dan 2023
Dataset ini merupakan hasil klasifikasi tutupan lahan berbasis citra Landsat 8 untuk kawasan pesisir Kendal–Semarang pada tahun 2013, 2018, dan 2023 menggunakan algoritma Random Forest (100 decision trees) di Google Earth Engine (GEE). Proses mencakup preprocessing (cloud masking dengan QA PIXEL), perhitungan indeks spektral (MVI, NDVI, NDBI), serta integrasi data ancillary (elevasi SRTM, slope, dan VIIRS nighttime lights). Komposit citra tahunan dibuat dari Landsat 8 Collection 2 Tier 1 TOA Reflectance beresolusi 30 m. Data training dan validasi diperoleh dari survei lapangan (GPS) dan interpretasi citra resolusi tinggi (Planet Scope), dengan pembagian 60% training dan 40% testing untuk tahun 2023, serta sampel independen untuk validasi 2013 dan 2018. Post-processing dilakukan dengan focal mode filter untuk mereduksi noise. Dataset menghasilkan 5 kelas tutupan lahan yaitu air, mangrove, lahan terbuka/pertanian, terbangun, dan vegetasi lain, dengan akurasi 87,8% dan Kappa 0,847. Aplikasi dataset dapat mendukung monitoring perubahan pesisir, analisis degradasi mangrove, pemodelan urbanisasi, perencanaan tata ruang, dan kebijakan konservasi. Dataset ini sebagai bagian dari riset Decision Support System (DSS) Pengelolaan Emisi Gas Rumah Kaca di Ekosistem Mangrove.
- Hak Cipta
- Tersertifikasi
- - 19 Februari 2026
- Detail
Kalkulator Mineral Lempung Batuan Berbasis Google Earth Engine Apps
Aplikasi ini merupakan aplikasi yang digunakan untuk melakukan pengolahan data citra satelit penginderaan jauh. Informasi yang dihasilkan estimasi kandungan mineral daun tanaman dengan resolusi spasial 30 meter. Informasi tersebut dihasilkan dari pemodelan numerik reflektan daun tanaman menggunakan metode regresi linier. Model dibangun dari data hyperspectral reflectance dan data kandungan mineral lempung tanah. Data reflektan diperoleh dari pengukuran menggunakan Analytical Spectral Devices (ASD) FieldSpec4. Data mineral lempung diperoleh dari pengukuran di laboratorium. Reflektansi yang diperoleh dari ASD FieldSpec4 dicuplik dan dirata-rata sesuai dengan spektrum pita yang terdapat pada citra Landsat-8/9 dan Sentinel-2. Model dengan nilai R2 dan R2(adj) terbaik dipilih untuk digunakan dalam aplikasi ini sebagai model prediktor kandungan mineral lempung tanah dari citra Landsat-8/9 atau Sentinel-2. Nilai mineral lempung tanah yang ditampilkan pada peta adalah nilai rata-rata mineral lempung tanah pada rentang waktu yang dimasukkan oleh pengguna. Aplikasi ini sebaiknya digunakan untuk area terbuka tanpa tutupan kanopi vegetasi atau lainnya seperti lokasi pertambangan terbuka.
- Hak Cipta
- Tersertifikasi
- - 13 Februari 2026
- Detail
Dataset LCI (Life Cycle Inventory) Produksi Biochar dari Limbah Makanan
Biochar sebagai bahan padat kaya karbon memiliki berbagai manfaat seperti aplikasi biochar dalam tanah, substitusi energi, adsorben, pendukung katalis, dan adsorpsi CO2. Biochar memiliki struktur karbon stabil, sehingga mampu menyimpan karbon dalam jangka panjang ketika diaplikasikan ke tanah, sehingga membantu mengurangi CO₂ di atmosfer. Para peneliti, industri dan konsumen menjadi lebih tertarik pada manfaat lingkungan dari biochar. Oleh karena itu, diperlukan dataset yang digunakan sebagai basis data untuk menghitung LCA (Life Cycle Assessment) produksi biochar dari limbah makanan. Dataset ini mampu digunakan untuk mengukur dampak lingkungan produksi biochar dari limbah makanan dengan cepat dan mudah, metode yang digunakan sesuai ISO 14040 dan ISO 14044. Fungtional Unit (FU) dataset adalah 1 ton biochar, batasan sistem dataset ini adalah sistem gate-to-gate, dimana inventori dataset dimulai dari penyiapan limbah makanan, pemanasan, proses karbonisasi, dan stabilisasi produk biochar. Dataset dapat diunduh dalam format JSON (JavaScript Object Notation) dan bisa digunakan untuk melakukan pengolahan dan analisa lebih lanjut dengan software OpenLCA. Dataset ini diharapkan dapat digunakan dalam optimasi penurunan dampak lingkungan dan efisiensi penggunaan sumber daya produksi biochar.
- Hak Cipta
- Tersertifikasi
- - 11 Februari 2026
- Detail
MABAR - NRT (Mangrove Blue Carbon at Risk – Near Real Time)
Ekosistem mangrove memainkan peran vital dalam mitigasi perubahan iklim berkat kemampuannya dalam menyerap dan menyimpan biomassa dalam jumlah besar. Namun, dampak dari aktivitas manusia dan faktor lingkungan terhadap perubahan ekosistem mangrove memerlukan pemantauan secara rutin agar upaya konservasi dapat dilaksanakan dengan cepat dan tepat sasaran. Dalam mendukung kegiatan tersebut, dikembangkan dasbor Mangrove Blue Carbon At Risk Near-Real-Time (MABAR-NRT), sebuah aplikasi berbasis web pada platform Google Earth Engine (GEE) untuk monitoring ekosistem mangrove di Indonesia. Dashboard ini mengintegrasikan satelit multisensor dan beberapa metode khusus untuk mendapatkan informasi terkait ancaman deforestasi, estimasi biomassa, penilaian resiko, dan mengukur ketidakpastian. Aplikasi ini dapat memberikan informasi perubahan luas, kandungan biomassa, dan penyimpanan biomassa hutan mangrove tahun 2018 – 2025 secara periodik dengan beberapa parameter yang dapat disesuaikan, antar lain wilayah yang akan dipantau (AOI), agregasi temporal, dan pemilihan sensor. Hasil penelitian menunjukkan bahwa dasbor yang telah dibangun dapat memberikan informasi dan data statistik secara near real time sehingga dapat mendukung pengambilan kebijakan terkait upaya konservasi hutan mangrove di Indonesia.
- Hak Cipta
- Tersertifikasi
- - 07 Februari 2026
- Detail
Central Alarm Station Radiation Portal Monitor (CAS-RPM-G21) Versi 1.0
Central Alarm Station (CAS) merupakan perangkat lunak yang berfungsi sebagai pusat kendali dan pemantauan alarm radiasi yang dihasilkan oleh Radiation Portal Monitor (RPM) yang dipasang di area masuk seperti pelabuhan, bandara, dan fasilitas industri. Perangkat lunak ini dirancang untuk mengelola data deteksi radiasi dari satu atau lebih unit RPM secara terpusat, sehingga proses monitoring, penanganan alarm, dan pencatatan kejadian dapat dilakukan secara efektif dan terkoordinasi. CAS menerima data radiasi dari perangkat RPM melalui jaringan lokal menggunakan arsitektur client–server, di mana RPM berperan sebagai pengirim data dan CAS sebagai pusat pengolahan. Data yang diterima diproses secara real-time untuk ditampilkan kepada operator, disimpan ke dalam basis data, serta dianalisis untuk mendukung pengambilan keputusan. Sistem ini terintegrasi dengan sistem pendukung seperti database log dan CCTV guna memungkinkan verifikasi visual terhadap kejadian alarm.
- Hak Cipta
- Tersertifikasi
- - 01 Februari 2026
- Detail
Metode Suplementasi Protease Pada Pakan Ikan Gabus
Invensi ini berkaitan dengan suatu metode suplementasi protease pada pakan ikan gabus (C. striata). Metode ini bertujuan untuk mengatasi masalah rendahnya efisiensi penyerapan nutrisi dan sintasan pada budidaya ikan gabus. Invensi ini meliputi tahapan penyediaan protease dan pelapisannya pada pakan dengan rasio pencampuran efektif sebesar 9 g/kg pakan. Protease tersebut berfungsi menghidrolisis protein kompleks pakan menjadi asam amino sederhana sebagai prekursor sintesis albumin dalam jaringan tubuh ikan. Hasil penerapan invensi ini menunjukkan kemampuan menurunkan FCR secara signifikan menjadi 2,22, meningkatkan tingkat kelangsungan hidup (sintasan) benih hingga di atas 80%, serta meningkatkan profil hematologis yang mendukung optimalisasi sintesis albumin pada ikan gabus hasil budidaya.
- Paten
- Terdaftar - Formalitas Terpenuhi
- - 28 Januari 2026
- Detail
Dataset LCI Kemasan Multilayer Sabun Cair Layak Daur Ulang (LDU): Proses Persiapan Bahan Baku hingga Daur Ulang
Dataset yang diusulkan berupa Dataset LCI (Life Cycle Inventory) berjudul LCI Kemasan Multilayer Sabun Cair Layak Daur Ulang (LDU): Proses Persiapan Bahan Baku hingga Daur Ulang. Dataset ini dikembangkan melalui pengumpulan dan verifikasi inventori dari tahap persiapan bahan baku, produksi kemasan multilayer, penggunaan, hingga pengelolaan limbah. Data mencakup masukan (input) dan keluaran (output) secara menyeluruh pada tiap proses siklus hidup sistem. Dalam dataset LCI “2.LDU” yang menggunakan database ecoinvent 3.9.1 apos upr, tahapan persiapan bahan baku meliputi: P2 OPP Plain, P2 LLDPE, P3 Ink Manufacturer, P4 Adhesive Manufacturer, dan P5 Solvent Manufacturer. Proses produksi kemasan multilayer tercatat pada P6 Packaging Converter, dilanjutkan dengan P7 Brand Owner (pengisian sabun cair), P8 Distributor (distribusi besar), P9 Retailer (penyaluran ke toko), serta P10 Konsumen (pemakaian produk). Tahap akhir mencakup P11 TPST3R (pemisahan dan landfill), P12 Pengepul (pengumpulan untuk daur ulang), hingga P13 Recycle (proses mendaur ulang kemasan menjadi tali rafia atau hanger). Rangkaian hulu hingga hilir, dengan sub-proses terperinci di tiap tahap. Dataset ini menjadi acuan penilaian daur hidup kemasan multilayer sabun cair yang layak daur ulang.
- Hak Cipta
- Tersertifikasi
- - 12 Januari 2026
- Detail
PROSES PEMBUATAN BIOETANOL DARI LIMBAH PADAT INDUSTRI PENGOLAHAN AGAR RUMPUT LAUT MENGGUNAKAN ENZIM TERPADU
Limbah padat pengolahan agar rumput laut. Lebih khusus, invensi ini berkaitan dengan proses produksi bioetanol menggunakan bahan baku limbah padat industri agar dengan proses sakarifikasi oleh enzim terpadu yang terdiri dari enzim agarase, selulase, dan xylanase. Proses produksi bioetanol dari limbah padat pengolahan agar terdiri dari: menyiapkan bahan baku limbah padat pengolahan agar yang mengandung bahan pembantu penyaringan berupa celite atau perlite paling banyak 70%; menghancurkan bahan baku limbah padat pengolahan agar dengan alat penghancur menjadi butiran berdiamater 0,5 cm; mengeringkan butiran sampai kadar air mencapai sekitar 10%; memasukkan butiran yang telah kering sebanyak 10-20 % (b/v) kedalam larutan buffer asetat pH 4,5 dan mengaduknya secara kontinyu; memasukan enzim terpadu berupa: selulase sebanyak 20-30 FPU, enzim xylanase 4 FPU, enzim agarase 10 U dan 1-2% tween 20; melakukan proses sakarifikasi pada suhu 30-32oC, selama 24-48 jam, dan mengaduknya dengan kecepatan 120-140 rpm sehingga menghasilkan gula-gula sederhana; memasukkan 1% yeast S. cerevisiae komersial, 0,0016% urea, dan 0,0005% NPK ke dalam gula-gula sederhana dan mengaduknya; melakukan proses fermentasi pada pada suhu 30-32oC, selama 72 jam, sehingga menghasilkan etanol dengan kadar 17,83 g/l. Invensi ini memiliki keunggulan karena menghasilkan bioetanol dari limbah industri pengolahan agar sekaligus mewujudkan konsep nirlimbah.
- Paten
- Tersertifikasi
- - 17 Desember 2025
- Detail
METODE DEPOSISI BERTINGKAT PADA LAPISAN TIPIS DIAMOND LIKE CARBON (DLC) MENGGUNAKAN PLASMA ENHANCED CHEMICAL VAPOR DEPOSITION (PECVD) DENGAN METAL KATALIS
Invensi ini berkaitan dengan metode deposisi bertingkat lapisan tipis diamond-like carbon (DLC) menggunakan plasma enhanced chemical vapor deposition (PECVD) dengan metal katalis. Lebih khususnya, metode deposisi bertingkat lapisan tipis diamond-like carbon (DLC) menggunakan plasma enhanced chemical vapor deposition (PECVD) dengan metal katalis Ni, Ti, dan Cu untuk menghasilkan lapisan DLC dengan kualitas karakterisasi yang baik dengan pengujian mencakup kekerasan, water contact angle (WCA), degree of crystalinity (DoC), nilai Id/Ig, serta ketebalan lapisan. Metode ini diawali dengan tahapan preparasi substrat melalui proses penghalusan mekanis bertingkat, pembersihan kimiawi, dan pengeringan, sehingga diperoleh permukaan bebas kontaminasi dan memiliki kekasaran yang sesuai untuk proses deposisi. Selanjutnya dilakukan perlakuan plasma argon untuk mengaktifkan permukaan substrat, dilanjutkan dengan proses difusi karbon menggunakan campuran gas asetilen dan argon pada kondisi operasi tertentu untuk membentuk lapisan dasar yang homogen. Setelah itu, dilakukan deposisi DLC utama dengan parameter tegangan dan arus yang diatur secara spesifik, sehingga terbentuk lapisan bertingkat yang seragam, stabil, dan memiliki ketebalan antara 12–18 mikrometer. Hasil pengujian menunjukkan bahwa lapisan DLC memiliki kekerasan dalam rentang 218,71–226,41 VHN, water contac angle (WCA) 92,38°–94,99°, degree of crystallinity (DoC) 5,41–12,3, rasio Raman Id/Ig 0,84–1,21, serta ketebalan 12–18 mikrometer.
- Paten
- Tersertifikasi
- - 03 Oktober 2025
- Detail
SiDetOl (Sistem Deteksi Potholes)
Kecelakaan lalu lintas adalah peristiwa yang terjadi di jalan secara tidak terduga dan tidak direncanakan, melibatkan kendaraan dengan pengguna jalan lain maupun tanpa pengguna jalan lain, yang mengakibatkan korban jiwa manusia atau kerugian materiil lainnya. Di Indonesia pada tahun 2019 tercatat sebanyak 116.411 kasus kecelakaan lalu lintas. Jumlah tersebut meningkat sebesar 0,06% dibandingkan dengan jumlah kasus kecelakaan lalu lintas pada tahun sebelumnya. Terdapat beberapa faktor penyebab kecelakaan lalu lintas, di antaranya adalah faktor sarana penunjang dan prasarana lalu lintas. Faktor infrastruktur dan lingkungan menyumbang 30% dari total kecelakaan lalu lintas. Banyaknya kecelakaan yang disebabkan oleh faktor lingkungan dan infrastruktur perlu mendapat perhatian serius dari pihak-pihak terkait. Salah satu penyebab kecelakaan yang termasuk dalam kategori faktor infrastruktur dan lingkungan adalah lubang jalan. Lubang jalan menyumbang 15% dari kecelakaan lalu lintas. Perkembangan teknologi Kecerdasan Buatan (Artificial Intelligence/AI), khususnya Deep Learning (DL), dapat menjadi salah satu solusi untuk membantu mengidentifikasi lubang jalan secara otomatis. Dalam penelitian ini, model DL dikembangkan menggunakan Faster R-CNN. Model yang diusulkan adalah mengganti backbone convolutional neural network (CNN) dari model sebelumnya yang menggunakan Inception-V2 menjadi ResNet-101. Hasil pengujian dengan dataset Potholes dari Departemen Teknik Elektro dan Elektronika, Stellenbosch University, menunjukkan bahwa metode yang diusulkan menghasilkan akurasi yang lebih baik dibandingkan dengan model dasar (baseline). Metode yang diusulkan menghasilkan akurasi sebesar 73,77%, sedangkan model dasar menghasilkan akurasi sebesar 67,83%. Keywords: Artificial Intelligence, Deep Learning, Faster R CNN, Inception V2, ResNet-101
- Hak Cipta
- Tersertifikasi
- - 03 Oktober 2025
- Detail