Pencarian Hak Kekayaan Intelektual
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 Kesuburan Tanah dan Near Infrared Pulau Jawa
Dataset ini disusun untuk mendukung kegiatan penelitian, pemetaan kesuburan tanah, identifikasi faktor pembatas hara, serta pengembangan rekomendasi pengelolaan tanah dan pemupukan berbasis data pada tingkat wilayah provinsi. Ciptaan ini merupakan pengembangan berupa wadah atau kontainer data yang dirancang secara khusus untuk menyimpan, mengelola, dan mengorganisasikan kumpulan data mentah hasil analisis laboratorium sifat kimia tanah, yang meliputi parameter pH H₂O, C-Organik, N-Total, N-NO₃, N-NH₄, P-Tersedia, P-Total, K-Total, dan K-Tersedia, serta data hasil pengukuran spektral Near Infrared (NIR).
- Hak Cipta
- Tersertifikasi
- - 16 April 2026
- Detail
Dataset Citra Drone Orthomosaic untuk Deteksi dan Inventarisasi Longsor Daerah Bandung Barat
Karya yang diusulkan berupa dataset geospasial berjudul “Dataset Citra Drone Orthomosaic untuk Deteksi dan Inventarisasi Longsor Daerah Bandung Barat”. Dataset ini merupakan kumpulan citra udara resolusi tinggi yang diperoleh menggunakan teknologi drone (UAV) melalui tahapan perencanaan misi, akuisisi citra, pengukuran Ground Control Point (GCP), serta pengolahan fotogrametri menjadi orthomosaic dan data spasial lainnya. Dataset ini dikembangkan untuk mendukung kegiatan inventarisasi dan pemetaan kejadian longsor, analisis spasial, serta pengembangan model kecerdasan buatan berbasis deep learning. Selain itu, dataset ini terintegrasi dengan aplikasi SINEMA: Landslide Inventory Mapping, sehingga memungkinkan pengelolaan data longsor secara terstruktur, termasuk pencatatan polygon, atribut kejadian, dokumentasi foto, serta visualisasi dan analisis data secara real-time. Orisinalitas dataset ini terletak pada penggunaan data citra drone berbasis survei lapangan dengan resolusi tinggi, serta integrasinya dalam sistem aplikasi berbasis web. Dataset ini juga menggabungkan informasi spasial, atribut kejadian, dan dokumentasi visual dalam satu ekosistem terpadu, serta dirancang untuk mendukung analisis berbasis kecerdasan buatan dalam deteksi longsor secara lebih akurat dan komprehensif.
- Hak Cipta
- Tersertifikasi
- - 16 April 2026
- Detail
Dataset Vektor Geospasial Titik Jalan Terputus Akibat Siklon Senyar di Provinsi Aceh, Sumatra Utara, dan Sumatra Barat
Dataset ini menyajikan data vektor spasial hasil interpretasi titik jalan terputus yang terdampak bencana banjir atau longsor yang diekstraksi dari citra satelit penginderaan jauh. Proses interpretasi dilakukan dengan memanfaatkan citra multisumber beresolusi sangat tinggi, dengan resolusi spasial berkisar antara 0,5 hingga 3 meter, sehingga detail area terdampak dapat diidentifikasi secara akurat. Secara keseluruhan, interpretasi ini menggunakan sebanyak 155 scene citra satelit yang mencakup wilayah di Pulau Sumatra, meliputi 3 provinsi, 38 kabupaten, dan 309 kecamatan. Proses delineasi dilakukan oleh ahli penginderaan jauh melalui analisis visual dengan mengamati area jalan pada citra satelit yang direkam saat dan setelah kejadian bencana, serta dibandingkan dengan arsip citra sebelum kejadian. Dataset yang dihasilkan tidak hanya berisi titik jalan terputus dalam bentuk poligon, tetapi juga dilengkapi dengan atribut data, seperti keterangan, kode, grid ID, serta informasi administratif provinsi dan kabupaten. Dataset ini ditujukan untuk menyediakan informasi yang cepat dan andal terkait lokasi jalan terputus yang terdampak bencana banjir atau longsor, sehingga dapat mendukung upaya tanggap darurat, penanganan dampak bencana, serta perencanaan rehabilitasi dan rekonstruksi pascabencana. Di sisi lain, dataset ini juga memiliki peran sebagai data pelatihan dalam pengembangan metode deteksi dan identifikasi jalan terputus cepat berbasis kecerdasan buatan. Produk ini merupakan bagian dari penelitian berjudul “Spectra+: Platform Pemetaan Cepat Dampak Bencana Hidrometeorologi Berbasis Integrasi Data Satelit, GIS, AI, dan Citizen Science”.
- Hak Cipta
- Tersertifikasi
- - 16 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