Pencarian Hak Kekayaan Intelektual
HoyaClass: Sistem Klasifikasi Spesies Tanaman Hoya
Aplikasi ini adalah sebuah aplikasi mobile berbasis kecerdasan buatan yang dirancang untuk mendeteksi dan mengklasifikasikan spesies tanaman Hoya secara otomatis melalui analisis citra. Aplikasi ini memanfaatkan teknologi Computer Vision dan Deep Learning, khususnya model CNN dengan arsitektur YOLOv12n untuk melakukan identifikasi spesies tanaman Hoya secara cepat dan akurat dari gambar yang diambil oleh pengguna.
- Hak Cipta
- Tersertifikasi
- - 17 April 2026
- Detail
Machine Learning Untuk Prediksi Harga Komoditas Pangan Pokok Nasional Beras, Jagung dan Telur
Pangan adalah segala sesuatu yang berasal dari sumber hayati produk pertanian, perkebunan, kehutanan, perikanan, peternakan, perairan dan air, baik yang diolah maupun tidak diolah yang diperuntukkan sebagai makanan atau minuman bagi konsumsi manusia, termasuk bahan tambahan pangan bahan baku pangan, dan bahan lainnya yang digunakan dalam proses penyiapan, pengolahan, dan/atau pembuatan makanan atau minuman. Harga pangan dalam beberapa kurun waktu terakhir seringkali mengalami fluktuasi yang cukup significan dan menjadi isu yang penting bagi pemerintah dan masyarakat. Harga pangan dapat dipengaruhi beberapa faktor antara lain oleh stok, faktor musiman, permintaan pasar, produksi, biaya produksi dan kebijakan pemerintah. Fluktuasi harga pangan dapat berdampak pada ketersediaan pangan dan tingkat inflasi. Harga pangan yang tinggi dapat menyebabkan sulitnya akses masyarakat terhadap pangan yang murah dan berkualitas. Pemerintah sudah berupaya menjaga kestabilan harga beras melalui berbagai kebijakan dan program seperti program ketahanan pangan, peningkatan produktivitas, pengaturan impor, pengaturan stok, memberikan subsidi harga dan memperbaiki infrastruktur pertanian. Namun harga pangan masih mengalami fluktuasi. Untuk itu perlu diiakukan pengawasan dan prediksi harga pangan untuk menjaga kestabilan pasokan pangan, meminimalkan dampak inflasi dan kesejahteraan masyarakat. Prediksi harga pangan adalah upaya untuk memperkirakan harga pangan di masa depan berdasarkan data/atau informasi yang tersedia. Dengan melakukan prediksi harga pangan, produsen, pedagang dan konsumen dapat mempersiapkan diri untuk menghadapi fluktuasi harga dan mengambil tindakan preventif dan tepat dalam menjaga pasokan pangan yang stabil dan harga yang terjangkau bagi masyarakat. Beberapa faktor yang dapat mempengaruhi prediksi harga pangan antara lain: (1) Faktor musiman : produksi dipengaruhi oleh musim tanam dan panen yang berbeda-beda disetiap daerah. Oleh karena itu, musim tanam dan panen dapat mempengaruhi ketersediaan dan harga pangan di pasar; (2) permintaan pasar; permintaan pasar dapat berubah ubah karena berbagai faktor seperti pertumbuhan populasi, perubahan gaya hidup dan konsumsi pangan yang berbeda beda di setiap daerah; (3) Biaya produksi : biaya produksi seperti biaya benih, pupuk dan upah tenaga kerja dapat berubah ubah dari waktu ke waktu sehingga mempengaruhi harga pangan; (4) Kebijakan pemerintah seperti regulasi impor dan ekspor, subsidi harga dan program ketahanan pangan dapat mempengaruhi pasokan dan harga pangan di pasar. Untuk melakukan prediksi harga pangan pokok salah satunya dengan melakukan analisis data historis dengan metodelogi machine learning yang dapat memberikan hasil prediksi yang lebih akurat. Machine learning adalah teknologi yang memungkinkan sistem komputer untuk belajar dan mengembangkan kemampuan prediksi berdasarkan data historis yang telah dikumpulkan.
- Hak Cipta
- Tersertifikasi
- - 17 April 2026
- Detail
ALGORITMA MODEM AKUSTIK BAWAH AIR BERBASIS OTFS
Program komputer ini terdiri dari dua skrip MATLAB, yaitu pemancar "modem_akustik_otfs_tx_demo.m" dan penerima "modem_akustik_otfs_rx_demo.m", yang bersama-sama mengimplementasikan modem akustik bawah air berbasis OTFS (Orthogonal Time Frequency Space) untuk pengiriman dan penerimaan data digital. Pada sisi pemancar, program memproses sumber data teks, citra, video, atau file biner menjadi bitstream, lalu melakukan FEC convolutional coding, interleaver 2-D, pembentukan preamble sinkronisasi, penyisipan pilot HSP, pemetaan QPSK, modulasi OTFS melalui DD grid, ISFFT, Heisenberg transform, penambahan CP, upsampling, low-pass filtering, dan carrier modulation hingga menghasilkan sinyal passband real untuk DAC atau speaker. Pada sisi penerima, program membaca sinyal hasil transmisi, melakukan deteksi preamble, down-conversion, low-pass filtering, downsampling, pelepasan CP, FFT per-slot, SFFT, estimasi kanal sederhana berbasis pilot pusat, equalization, QPSK demapping, deinterleaving, Viterbi decoding, serta rekonstruksi payload menjadi teks atau file biner kembali.
- Hak Cipta
- Tersertifikasi
- - 17 April 2026
- Detail
FBG Tri-Axial Accelerometer Time-Series Dataset for Two-Dimensional Underwater Acoustic Source Localization
Karya cipta ini berupa dataset time-series pengukuran pergeseran panjang gelombang Bragg dari sebuah accelerometer Fiber Bragg Grating (FBG) tri-aksial. Dataset diperoleh melalui eksperimen laboratorium di tangki air dengan menggunakan sebuah pompa air submersible sebagai sumber getaran akustik. Data direkam pada 18 posisi dengan rata-rata 1250 sampel per posisi pada laju pemindaian 10 Hz. Dataset ini dirancang khusus untuk melatih dan membandingkan model deep learning dalam tugas lokalisasi sumber akustik bawah air dua dimensi. Keunggulannya adalah sensor optik yang immune terhadap interferensi elektromagnetik, ukuran ringkas, dan kemampuan multiplexing, sehingga sangat cocok untuk aplikasi navigasi kendaraan bawah air otonom (AUV) serta pemantauan infrastruktur subsea secara real-time.
- Hak Cipta
- Tersertifikasi
- - 17 April 2026
- Detail
B-SmartPalm : Mobile Software untuk Identifikasi Varietas dan Keaslian BenihKelapaSawit Berbasis Kecerdasan Buatan
Aplikasi mobile “B-SmartPalm” merupakan perangkat lunak berbasis kecerdasan buatan yang dikembangkan khusus untuk platform Android guna membantu petani dalam mengidentifikasi varietas dan keaslian benih kelapa sawit secara cepat, otomatis, dan fleksibel di lapangan secara offline tanpa internet. Aplikasi ini dapat digunakan di manapun termasuk di kebun kelapa sawit yang tidak memiliki akses internet. Aplikasi ini hadir sebagai solusi atas permasalahan nyata, terkait permasalahan kualitas benih yang ditanam petani rakyat karena beredarnya benih palsu/tidak bersertifikat yang menurunkan produktivitas dan menimbulkan kerugian ekonomi petani dalam jangka panjang. Ketidak tahuan petani tersebut akan kualitas benih yang ditanam dalam skala luas berpotensi juga merugikan negara, menurunkan pendapatkan negara dari industri sawit. Model dalam aplikasi dilatih menggunakan dataset citra benih kelapa sawit yang mencakup dua varietas utama, yaitu Dumpy dan Yangambi. Untuk masing-masing varietas, sistem mampu membedakan benih asli dan palsu, sehingga menghasilkan empat kelas klasifikasi: dumpy asli, dumpy palsu, yangambi asli, dan yangambi palsu. Pendekatan ini memungkinkan identifikasi varietas dan verifikasi keaslian dilakukan secara simultan dalam satu proses. Dengan memanfaatkan arsitektur MobileNetV2 yang telah dioptimalkan, aplikasi mampu memberikan hasil identifikasi dengan akurasi tinggi. Selain itu, diterapkan tahapan preprocessing citra untuk meningkatkan kualitas input sehingga performa model menjadi lebih optimal dan konsisten dalam berbagai kondisi penggunaan di lapangan tanpa internet.
- Hak Cipta
- Tersertifikasi
- - 17 April 2026
- Detail
Dataset Luas Lahan Baku Sawah (LBS) Terdampak Banjir Siklon Senyar.
Dataset ini menyajikan data spasial dan atribut terkait sebaran serta luas lahan sawah terdampak banjir akibat Siklon Senyar yang terjadi di Provinsi Aceh, Sumatera Barat, dan Sumatera Utara pada akhir tahun 2025. Identifikasi sawah terdampak banjir akibat Siklon Senyar tahun 2025 dilakukan menggunakan Google Earth Engine (GEE) dengan memanfaatkan data genangan banjir dari UNOSAT (2025) dan data Lahan Baku Sawah (LBS) tahun 2024 dari Kementerian Agraria dan Tata Ruang/Badan Pertanahan Nasional (ATR/BPN).
- Hak Cipta
- Tersertifikasi
- - 16 April 2026
- Detail
Dataset nilai reflektansi spektral beberapa tanah vulkanik di Pulau Jawa dan nilai resamplingnya ke Landsat 8 dan Sentinel 2.
Dataset ini merupakan kumpulan data asli reflektansi spektral dari 15 sampel tanah vulkanik yang berasal dari Provinsi Jawa Timur dan Jawa Barat, yang diukur menggunakan spektroradiometer ASD FieldSpec 4 Hi-Res pada rentang panjang gelombang 350–2500 nm, yang dilengkapi dengan hasil pengolahan statistik sederhana (mean, median, dan standar deviasi) serta data nilai resampling ke sensor Landsat 8 dan Sentinel 2 menggunakan metode Spectral Response Function (SRF)-weighted.
- Hak Cipta
- Tersertifikasi
- - 16 April 2026
- Detail
Dataset Resampling Spektroskopi Tanah: Transformasi Data ASD FieldSpec 4 ke Sensor Landsat dan Sentinel-2
Dataset ini merupakan kumpulan data hasil resampling reflektansi spektral tanah (350–2500) nm, yang diperoleh menggunakan instrumen ASD FieldSpec 4 Hi-Res Malvern Panalytical, ke dalam respons spektral sensor satelit Landsat 8 dan Sentinel-2. Dataset ini merupakan bagian pengembangan dari riset berjudul” Dinamika Kesesuaian Lahan Sorgum pada 3 Skenario Perubahan Iklim Menjelang Tahun 2045” yang lulus pembiayaan RIIM BRIN Tahap 7 TA 2025.
- Hak Cipta
- Tersertifikasi
- - 16 April 2026
- Detail
Dataset Reflektansi Spektral Sampel Tanah (350–2500 nm) dari lima kabupaten yang tersebar di Provinsi Sumatera Utara, Jawa Barat, dan Nusa Tenggara Timur: Hasil Pengukuran ASD FieldSpec 4.
Dataset ini merupakan kumpulan data reflektansi spektral tanah pada rentang panjang gelombang 350-2500 nm yang diperoleh menggunakan instrumen ASD FieldSpec 4 Hi-Res. Sampel tanah berasal dari lima kabupaten yang tersebar di tiga provinsi di Indonesia, meliputi Serdang Bedagai di Sumatera Utara, Karawang dan Bogor di Jawa Barat, Situbondo di Jawa Timur, dan Kupang di Nusa Tenggara Timur. Dataset ini merupakan bagian pengembangan dari riset berjudul” Dinamika Kesesuaian Lahan Sorgum pada 3 Skenario Perubahan Iklim Menjelang Tahun 2045” yang lulus pembiayaan RIIM BRIN Tahap 7 TA 2025.
- Hak Cipta
- Tersertifikasi
- - 16 April 2026
- Detail
DIP-DDoS26
DIP-DDoS26 adalah perangkat lunak analisis keamanan jaringan cerdas yang mengimplementasikan arsitektur ensemble learning berbasis Random Forest untuk deteksi serangan Distributed Denial of Service (DDoS). Berbeda dengan model tunggal, DIP-DDoS26 bekerja dengan mengintegrasikan kumpulan pohon keputusan yang saling melengkapi untuk menghasilkan klasifikasi yang lebih robust dan stabil. Program ini dirancang secara spesifik untuk memproses fitur aliran jaringan yang ringkas (compact flow features) dengan keunggulan pada generalisasi pola serangan yang kompleks. Dengan memanfaatkan mekanisme voting mayoritas dari banyak pohon keputusan, DIP-DDoS26 mampu meminimalkan risiko false positive dan memberikan performa klasifikasi yang konsisten di berbagai skenario trafik. Berdasarkan pengujian pada dataset CICDDoS2019, model ini menunjukkan ketangguhan luar biasa dengan kemampuan klasifikasi serangan DDoS dengan tingkat keberhasilan (F1-score) mencapai 89,83%. DIP-DDoS26 menjadi solusi ideal untuk sistem pertahanan jaringan yang mengutamakan akurasi tinggi dan ketahanan model terhadap anomali trafik yang dinamis tanpa memerlukan sumber daya komputasi yang besar.
- Hak Cipta
- Tersertifikasi
- - 16 April 2026
- Detail