Pencarian Hak Kekayaan Intelektual
Prediksi Dosis Radioterapi Berbasis Fitur Radiomics dan Ensemble Machine Learning
Program komputer ini melakukan estimasi dan prediksi dosis radioterapi untuk target PTV menggunakan fitur-fitur radiomik dari Organ at Risks (OARs) yang meliputi Body, Lung RT, Lung LT, Heart, and Spinal Cord, dan PTV. Tahapannya mencakup pembersihan dan imputasi data, normalisasi fitur, pelatihan model regresi ensemble (XGBoost, LightGBM, CatBoost, RandomForest, AdaBoost, GradientBoosting) untuk tiga target dosis berbeda (PTV D2, D50, dan D98), evaluasi performa menggunakan metrik MSE/MAE/R squared, visualisasi komparatif hasil, analisis residual, analisis feature importance. Aplikasi dirancang untuk membantu fisikawan medis dan tim perencanaan radioterapi menentukan dosis yang optimal.
- Hak Cipta
- Tersertifikasi
- - 20 April 2026
- Detail
DXG-Boost Tedate
DXG-Boost Tedate merupakan perangkat lunak berbasis Kecerdasan Buatan (AI) yang dirancang khusus untuk klasifikasi serangan Distributed Denial of Service (DDoS) secara real-time dalam lingkup jaringan Software Defined Network (SDN). Inovasi utama dari program ini terletak pada penggunaan arsitektur Extreme Gradient Boosting (XGBoost) yang dioptimalkan untuk bekerja dengan fitur aliran jaringan (flow features) yang sangat ringkas, yakni hanya menggunakan 4 parameter utama: protokol IP, jumlah paket, total bita, dan selisih waktu aliran (delta time). Berbeda dengan model konvensional yang memerlukan puluhan fitur kompleks, DXG-Boost Tedate mampu memberikan performa klasifikasi yang setara dengan model yang menggunakan fitur lebih banyak (24-82 fitur). Program ini memiliki kemampuan generalisasi yang sangat baik, di mana model tetap stabil saat menangani hingga 42,8 juta data aliran meskipun hanya dilatih dengan set data yang minimal (7 fitur yang merepresentasikan 4 parameter dan ≤ 200 ribu data). Keunggulan teknis ini menjadikan DXG-Boost Tedate sangat efisien untuk diintegrasikan dengan programmable switch atau infrastruktur jaringan modern, karena mampu melakukan inferensi data dalam skala besar secara cepat untuk memitigasi serangan DDoS dengan penggunaan sumber daya komputasi yang minimal.
- Hak Cipta
- Tersertifikasi
- - 20 April 2026
- Detail
My DELL-E
Hak cipta yang diusulkan berupa aplikasi yang berjudul “My DELL-E”. Aplikasi ini merupakan aplikasi mobile berbasis Android yang dikembangkan menggunakan framework Flutter dan digunakan sebagai antarmuka utama dalam sistem pengantaran barang secara otomatis menggunakan robot autonomous. Aplikasi My DELL-E berfungsi untuk memfasilitasi pengguna dalam melakukan pemesanan layanan pengantaran barang tanpa awak, mulai dari pembuatan order, pengisian data pengiriman, hingga pemantauan status pengantaran secara real-time. Aplikasi ini dapat digunakan oleh beberapa pengguna, yaitu Admin, Dispatcher, dan User, dengan hak akses yang berbeda sesuai peran masing-masing.. Dalam implementasinya, aplikasi mobile berkomunikasi dengan backend server melalui protokol HTTPS yang diakses menggunakan layanan Cloudflare. Backend Server yang dibangun menggunakan teknologi PHP dan dijalankan dalam lingkungan Docker berperan sebagai pusat pengolahan data, autentikasi pengguna, serta pengelolaan order dan Informasi robot. Selanjutnya, sistem robot yang berjalan pada Onboard CPU menggunakan framework ROS2 akan mengambil data perintah dari backend melalui mekanisme API. Robot kemudian menjalankan proses navigasi menuju lokasi awal (start location), melakukan interaksi seperti pembukaan dan penutupan kompartemen, serta melanjutkan pengataran menuju lokasi tujuan (end location). Seluruh status dam posisi robot akan dikirim kembali ke backend dan ditampilkan pada aplikasi mobile. Dengan integrasi antara aplikasi mobile berbasis Flutter, backend server, dan sistem robot berbasis ROS2, aplikasi My DELL-E mampu menyediakan layanan pengantaran barang secara otomatis, terpusat, dan efisien, serta dapat digunakan pada lingkungan industri yang kompleks dengan tingkat keandalan dan keamanan yang tinggi.
- Hak Cipta
- Tersertifikasi
- - 20 April 2026
- Detail
Dataset Riset dan Inovasi dari Rantai Produk Kelapa Sawit
Dataset Riset dan Inovasi Rantai Produk Kelapa Sawit mengintegrasikan struktur pohon industri berbasis HS Code dengan data perdagangan internasional (2015–2024) serta tren paten (2015–2026). Disusun melalui identifikasi dan integrasi data yang sistematis, basis data ini hadir sebagai instrumen strategis yang informatif dan mudah diakses. Karya ini berfungsi mendukung riset, analisis potensi pasar, pemetaan inovasi, hingga perumusan kebijakan hilirisasi komoditas kelapa sawit. Keunggulan utamanya terletak pada sinergi aspek rantai pasok, perdagangan global, dan perkembangan teknologi dalam satu kesatuan data utuh untuk meningkatkan nilai tambah industri kelapa sawit nasional.
- Hak Cipta
- Tersertifikasi
- - 20 April 2026
- Detail
FORMULA PAKAN PEMBESARAN IKAN PATIN (Pangasius hypophthalmus) BERBASIS MAGOT FRESH (LARVA BSF) DAN METODE PEMBUATANNYA
Invensi ini mengungkapkan formula pakan pembesaran ikan patin (Pangasius hypophthalmus) berbasis magot fresh (larva BSF) dan metode pembuatannya. Proses diawali dengan produksi magot fresh (larva BSF) dan pembuatan pakan ikan patin. Bahan baku pakan yang digunakan meliputi magot fresh dari larva serangga spesies Hermetia illucens (Black Soldier Fly, BSF) (protein 40%), bungkil kelapa sawit (protein 18%), dedak poles (protein 13,41%), tepung tapioka (protein 2,6%), dan vitamin mix. Selanjutnya, seluruh bahan kering dicampur secara manual sampai merata. Pencampuran dimulai dari bahan yang jumlahnya paling sedikit, yaitu vitamin mix dan tapioka, kemudian secara berangsur-angsur ditambahkan bahan yang jumlahnya lebih banyak, yaitu dedak poles, bungkil kelapa sawit, dan magot fresh (larva BSF), hingga diperoleh campuran homogen. Hasil analisis proksimat menunjukkan bahwa pakan mengandung protein kasar 25,05%, lemak kasar 8,04%, abu 11,81%, serat kasar 14,42%, energi total (GE) 382,64 kkal/gram pakan dan rasio energi terhadap protein dalam pakan (E/P) sebesar 15,27 kkal/gram protein. Pemberian pakan dilakukan 2 kali sehari sebanyak 5–7% dari bobot tubuh ikan/hari. Penggunaan magot fresh (larva BSF) sebagai sumber protein hewani dapat menurunkan harga pakan sebesar Rp1.828/kg dan biaya produksi pakan sebesar Rp793/kg.
- Paten
- Terdaftar - Formalitas Terpenuhi
- - 20 April 2026
- Detail
Sistem Indeks Bela Negara : Modul Survei
Sistem Indeks Bela Negara (IBN) adalah sistem untuk mengukur tingkat kesadaran dan kesiapan bela negara masyarakat secara kuantitatif. Sistem ini mencakup tiga komponen utama: survei digital, pemrosesan data, dan visualisasi hasil. Survei mengukur niat membela negara serta unsur bela negara, yaitu cinta tanah air, kesadaran berbangsa dan bernegara, kesetiaan pada Pancasila, kerelaan berkorban, dan kemampuan awal bela negara. Data dikumpulkan melalui antarmuka digital dan disusun dalam kerangka terstruktur. Pemrosesan data menggunakan kombinasi metode PLS-SEM dan PCA. Tahapan meliputi pra-pengolahan (pembersihan, penskalaan 1–5, normalisasi), analisis PCA (kovarian, nilai dan vektor eigen, serta varian kumulatif), kemudian hasilnya digunakan dalam model PLS-SEM untuk menghitung indeks per responden. Nilai indeks diagregasi secara rata-rata geometrik pada tingkat lingkungan, daerah, hingga nasional. Indeks non-unsur dihitung dari 2–5 indikator eksternal yang dinormalisasi. Hasil akhir disajikan dalam dashboard interaktif yang menampilkan nilai IBN nasional dan per daerah kabupaten/kota untuk mendukung analisis dan pengambilan kebijakan. Sistem dikembangkan secara bertahap, dimulai dari (1) survei digital, (2) pemrosesan dan visualisasi hasil, (3) sistem manajemen konten, dan (4) evaluasi bela negara. Pada versi 1 ini, sistem hanya meliputi survei digital.
- Hak Cipta
- Tersertifikasi
- - 20 April 2026
- Detail
DATASET POHON INDUSTRI AYAM PEDAGING
Dataset pohon industri ayam pedaging merupakan kompilasi data yang disusun secara sistematis dalam bentuk pohon industri untuk menggambarkan keterkaitan rantai nilai dari sektor hulu hingga hilir. Dataset ini mengintegrasikan klasifikasi HS Code, data paten, serta data ekspor–impor, sehingga memberikan gambaran komprehensif mengenai struktur industri, penguasaan teknologi, dan potensi nilai tambah industri ayam pedaging di Indonesia. Pohon industri yang dikembangkan merepresentasikan rantai nilai secara terstruktur, mulai dari tahap hulu yang mencakup industri pakan, pembibitan (breeding), dan penyediaan input produksi, hingga tahap produksi (on-farm), pengolahan, dan hilir berupa berbagai produk turunan bernilai tambah tinggi. Struktur ini menggambarkan keterkaitan antar proses, teknologi, dan jenis produk secara hierarkis, sehingga memberikan pemahaman menyeluruh mengenai alur transformasi produk dari ayam hidup hingga menjadi produk industri strategis. Pengembangan pohon industri ini berbasis dataset teranotasi dan terstruktur menggunakan HS Code, yang tidak hanya berfungsi sebagai alat visualisasi, tetapi juga sebagai dasar analisis, klasifikasi, dan pemodelan hubungan industri. Hasil analisis menunjukkan bahwa meskipun rantai nilai industri ayam pedaging di Indonesia relatif lengkap, struktur industrinya masih didominasi oleh aktivitas produksi primer, sementara nilai tambah terbesar terkonsentrasi pada sektor pengolahan dan pengembangan produk turunan. Pada tahap hulu, industri pakan, pembibitan, dan input produksi menjadi fondasi utama dengan tingkat konsentrasi tinggi serta penguasaan teknologi yang relatif lebih maju. Sebaliknya, pada tahap produksi, peternak sebagai tulang punggung industri cenderung berada pada posisi dengan margin rendah akibat ketergantungan terhadap input dan fluktuasi harga, yang mencerminkan ketimpangan distribusi nilai tambah di sepanjang rantai industri. Transformasi nilai tambah terutama terjadi pada tahap pengolahan, ketika ayam hidup diubah menjadi produk segar atau beku (HS Code 0207), yang menjadi titik awal peningkatan nilai ekonomi. Namun demikian, keterbatasan kapasitas dan adopsi teknologi pengolahan menyebabkan potensi nilai tambah belum dimanfaatkan secara optimal. Nilai tambah tertinggi selanjutnya terkonsentrasi pada tahap hilir, khususnya pada produk olahan seperti nugget, sosis, dan makanan siap saji (HS Code 1602). Meskipun demikian, data perdagangan menunjukkan bahwa Indonesia masih bergantung pada impor untuk kategori ini, yang mengindikasikan belum kuatnya industri hilir domestik. Temuan ini diperkuat oleh data paten yang menunjukkan dominasi negara maju dalam inovasi teknologi pengolahan dan pengawetan. Selain produk utama, pohon industri ayam pedaging juga mencakup pemanfaatan hasil samping menjadi berbagai produk turunan, seperti tepung tulang, kolagen, dan bahan bioindustri lainnya. Segmen ini memiliki potensi besar dalam mendukung pengembangan ekonomi sirkular, namun tingkat pemanfaatannya di Indonesia masih relatif terbatas. Secara keseluruhan, integrasi data menunjukkan adanya keterkaitan erat antara klasifikasi produk, dinamika perdagangan, dan penguasaan teknologi, di mana produk bernilai tambah tinggi umumnya didukung oleh inovasi berbasis paten dan memiliki kontribusi signifikan dalam perdagangan internasional. Secara strategis, temuan ini menegaskan bahwa tantangan utama industri ayam pedaging di Indonesia tidak lagi terletak pada peningkatan produksi, melainkan pada transformasi struktur industri melalui hilirisasi dan penguatan inovasi. Tanpa pengembangan sektor pengolahan, peningkatan penguasaan teknologi, serta diversifikasi produk turunan, Indonesia berisiko tetap terperangkap sebagai produsen bahan mentah dengan nilai tambah rendah. Oleh karena itu, pengembangan pohon industri ayam pedaging perlu difokuskan pada penguatan industri hilir berbasis teknologi, peningkatan kapasitas inovasi domestik, serta integrasi sistem produksi dan distribusi yang efisien guna meningkatkan daya saing global dan menciptakan nilai ekonomi yang lebih besar bagi seluruh pelaku industri.
- Hak Cipta
- Tersertifikasi
- - 20 April 2026
- Detail
Dataset Geospasial Perubahan Garis Pantai Kota Sibolga Tahun 1994–2024 Berbasis Citra Satelit Multitemporal
Dataset ini merupakan kumpulan data geospasial berupa vektor garis pantai yang merepresentasikan dinamika perubahan garis pantai di Kota Sibolga selama periode 30 tahun (1994–2024). Dataset disusun berdasarkan hasil ekstraksi garis pantai dari citra satelit Landsat multitemporal yang diolah melalui platform Google Earth Engine. Garis pantai dihasilkan untuk empat periode, yaitu tahun 1994, 2004, 2014, dan 2024. Proses ekstraksi dilakukan menggunakan Modified Normalized Difference Water Index (MNDWI) dan Otsu Thresholding untuk memisahkan darat dan perairan. Analisis perubahan garis pantai dilakukan menggunakan Digital Shoreline Analysis System (DSAS) dengan tiga parameter utama, yaitu Net Shoreline Movement (NSM), Shoreline Change Envelope (SCE), dan End Point Rate (EPR). Nilai positif pada NSM dan EPR menunjukkan garis pantai maju (akresi), sedangkan nilai negatif menunjukkan garis pantai yang mundur (abrasi). Dataset ini tidak hanya memuat geometri garis pantai tiap periode, tetapi juga dilengkapi dengan atribut spasial hasil analisis perubahan, sehingga memungkinkan pengguna untuk melakukan evaluasi dinamika pesisir secara kuantitatif dan spasial. Selain itu, didalam dataset ini juga terdapat perhitungan luas abrasi dan akresi di setiap kecamatan yang dapat dimanfaatkan pengambil kebijakan dalam mengevaluasi perencanaan dan pembangunan pesisir Kota Sibolga.
- Hak Cipta
- Tersertifikasi
- - 20 April 2026
- Detail
Model Klasifikasi Kerawanan Banjir Berbasis Data Spasial dan Citra Satelit di Jawa Barat
Dataset Model Klasifikasi Kerawanan Banjir Berbasis Data Spasial dan Citra Satelit di Jawa Barat diturunkan berdasarkan data tutupan lahan, kemiringan, elevasi, curah hujan, jarak ke sungai, Topographic Wetness Index, litologi, dan jenis tanah. Data training diturunkan dari data historis kejadian banjir dari tahun 2021 sampai dengan tahun 2025. Metode yang digunakan untuk menurunkan dataset tersebut adalah metode machine learning random forest. Nilai AUC yang dihasilkan dari metode tersebut adalah 0.7646. Selain itu, urutan parameter dari yang paling berpengaruh adalah tutupan lahan, kemiringan, elevasi, curah hujan, jarak ke sungai, topographic wetness index, litologi, dan jenis tanah. Dataset tersebut dapat digunakan untuk mitigasi bencana banjir di Provinsi Jawa Barat dan membantu pihak terkait dalam melakukan perencanaan penanganan kejadian banjir yang akan datang. Dataset tersebut dapat diakses pada tautan http://data.brin.go.id/dataset.xhtml?persistentId=hdl:20.500.12690/RIN/ORFPZJ tersebut.
- Hak Cipta
- Tersertifikasi
- - 20 April 2026
- Detail
Dataset Vektor Geospasial Tingkat Kerapatan Vegetasi Kota Semarang
Dataset ini merupakan produk hasil analisis data spasial informasi kerapatan vegetasi di wilayah Kota Semarang berbasis data time series periode 2009, 2015, 2020, 2024, dan 2025. Identifikasi tingkat kerapatan vegetasi menggunakan sumber data yang berasal dari data citra satelit Landsat 5, 8 dan 9 dengan resolusi spasial 30 m. Metode yang digunakan untuk identifikasi kerapatan melalui pendekatan indeks algoritma Normalized Difference Vegetation Index (NDVI) dengan menggunakan 2 band yaitu band 5 (NIR/Near Infrared, yang menunjukkan adanya biomassa dan pemetaan vegetasi) dan Band 4 red, yang menjelaskan tentang pemetaan vegetasi, jenis tanah, dan identifikasi objek). Nilai ambang batas dari formula NDVI adalah -1 sampai dengan +1. Hasil ekstraksi, identifikasi, dan klasifikasi menghasilkan 3 kelas kepadatan, yaitu tinggi, sedang, dan rendah. Dataset ini dikembangkan untuk mendukung penelitian, pengembangan serta aplikasi praktis dalam pengembangan perkotaan dan analisis lingkungan, khususnya untuk memonitoring dan menganalisis tingkat perubahan vegetasi yang banyak dialihkan menjadi lahan terbangun, analisis tingkat kebutuhan vegetasi, analisis perencanaan zona hijau, dan sebagai dasar pengambilan keputusan berbasis spasial.
- Hak Cipta
- Tersertifikasi
- - 20 April 2026
- Detail