Klaster
Pengantar Prinsip Keberlanjutan
Pengantar Prinsip Keberlanjutan adalah buku ajar yang dirancang untuk memperkenalkan konsep, prinsip, dan praktik keberlanjutan secara sistematis dan kontekstual. Disusun oleh tim pengajar dari Sekolah Bisnis dan Manajemen, Institut Teknologi Bandung (SBM ITB), buku ini mengupas dimensi keberlanjutan dari sudut pandang etika, ekonomi, kebijakan publik, keuangan, bisnis, teknologi, serta peran masyarakat. Melalui sebelas bab yang saling terintegrasi, pembaca diajak untuk memahami isu-isu kunci seperti etika lingkungan, ekonomi sirkular, Tujuan Pembangunan Berkelanjutan (SDGs), regulasi dan kebijakan keberlanjutan, keuangan hijau, perubahan iklim dan investasi, pekerjaan hijau, inovasi teknologi, energi terbarukan, tanggung jawab sosial perusahaan (CSR), hingga komunikasi keberlanjutan. Buku ini tidak hanya menyajikan teori, tetapi juga memperkaya wawasan dengan studi kasus aktual, pendekatan lokal dan global, serta latihan soal di setiap akhir bab. Ditulis dalam bahasa yang mudah dipahami namun tetap akademis, buku ini menjadi referensi penting bagi mahasiswa, dosen, praktisi bisnis, pembuat kebijakan, dan siapa pun yang peduli pada masa depan bumi dan umat manusia. Dengan pendekatan lintas isu dan berbasis pada pengalaman akademik di SBM ITB, buku ini diharapkan dapat menumbuhkan kesadaran kritis serta mendorong aksi nyata dalam mewujudkan pembangunan yang lebih berkelanjutan, adil, dan inklusif.
Smart City, Rekayasa Transportasi dan Energi
TFCA DAILY REPORT
TFCA Daily Report merupakan aplikasi mobile yang dirancang untuk membantu pencatatan dan pelaporan berbagai aktivitas kerja secara praktis dan terintegrasi. Aplikasi ini menyediakan tiga fitur utama, yaitu Rutin, Perjalanan, dan Honorarium, yang memudahkan pengguna mencatat aktivitas harian, mendokumentasikan perjalanan dinas, hingga melaporkan pembayaran honorarium secara digital. Melalui antarmuka yang sederhana, pengguna dapat dengan mudah mengambil foto bukti kegiatan, mengisi detail aktivitas atau pengeluaran, lalu mengirimkan laporan secara langsung dari smartphone. Seluruh data tersimpan dengan rapi, sehingga meminimalkan risiko kehilangan informasi dan mendukung transparansi pelaporan. Dengan menggunakan aplikasi ini, proses pelaporan menjadi lebih cepat, akurat, dan efisien, mendukung kebutuhan dokumentasi kerja sehari-hari dengan lebih profesional.
Teknologi Informasi dan Komunikasi
Website GPS Monitoring
Website GPS Monitoring adalah platform digital yang dirancang khusus untuk mengelola, memantau, dan mengontrol kendaraan berbasis GPS secara menyeluruh. Dengan sistem ini, pengguna seperti admin perusahaan, pemilik kendaraan, atau operator armada dapat masuk ke dashboard untuk melihat posisi kendaraan secara real-time, mengelola daftar kendaraan dan perangkat GPS, serta mengatur profil pengguna. Website ini berfungsi sebagai pusat kendali utama untuk operasional armada yang aman, efisien, dan berbasis data.
Teknologi Informasi dan Komunikasi
KIDNA: Kidney Diagnosis & Analysis
KIDNA (Kidney Diagnosis & Analysis) adalah sebuah aplikasi berbasis Graphical User Interface (GUI) yang dirancang untuk membantu proses diagnosis otomatis berbagai kondisi ginjal melalui citra CT scan abdomen. Sistem ini mendeteksi dan mengklasifikasikan gambar ginjal ke dalam empat kelas utama yaitu normal, batu ginjal, tumor ginjal, dan kista ginjal, menggunakan kombinasi teknik pengolahan citra digital, analisis tekstur, dan algoritma machine learning klasik. Aplikasi ini dilengkapi pipeline terintegrasi yang mencakup beberapa tahapan utama, yaitu 1. Image enhancement, dilakukan menggunakan metode CLAHE (Contrast Limited Adaptive Histogram Equalization) untuk memperkuat kontras lokal, serta adaptive thresholding untuk penyesuaian segmentasi berbasis nilai intensitas. 2. Image restoration menggunakan Gaussian blur untuk mereduksi noise dan memperhalus citra. 3. Transformasi geometri berupa resize dan cropping ROI, digunakan untuk isolasi area ginjal yang relevan. 4. Operasi morfologi, yaitu closing dan erosi, digunakan untuk menyatukan area yang terputus dan membersihkan objek-objek gangguan, dengan asumsi objek utama berwarna hitam pada citra hasil segmentasi. 5. Pengolahan warna hanya digunakan dalam bentuk visualisasi bounding box sebagai penanda area ginjal tersegmentasi. 6. Analisis tekstur, dilakukan melalui fitur GLCM (Gray Level Co-occurrence Matrix) serta statistik orde pertama untuk menggambarkan pola spasial piksel. 7. Ekstraksi fitur mencakup segmentasi area pinggang dan pemisahan ginjal kiri dan kanan, agar sistem dapat bekerja pada kondisi anatomi yang kompleks. 8. Klasifikasi menggunakan algoritma machine learning klasik, dengan pemilihan model terbaik berdasarkan dua kriteria utama yaitu akurasinya yang maksimum dan FNR (False Negative Rate) yang minimum, untuk meminimalkan kesalahan dalam mendeteksi kelainan ginjal. Antarmuka aplikasi (GUI) dirancang sederhana dan intuitif, sehingga memudahkan pengguna untuk memuat citra, menjalankan proses deteksi, dan mendapatkan hasil klasifikasi lengkap dengan label kelas ginjal, representasi visual, dan indikator performa model. Pengembangan aplikasi KIDNA (Kidney Diagnosis & Analysis) menawarkan beberapa manfaat yang signifikan dalam konteks klinis, teknis, dan akademik, terutama untuk membantu proses deteksi dini kelainan ginjal berbasis citra medis CT scan. Berikut adalah manfaat utamanya, 1. Aplikasi ini mampu mengklasifikasikan kondisi ginjal secara otomatis ke dalam empat kelas utama yaitu normal, kista, tumor, dan batu ginjal, sehingga dapat membantu mempercepat proses diagnosis dan skrining awal tanpa perlu interpretasi manual dari radiolog. 2. Dengan memanfaatkan parameter numerik dan model prediktif yang terlatih (machine learning), aplikasi mengurangi potensi bias manusia dalam interpretasi visual citra dan memastikan konsistensi hasil diagnosis antar pasien. 3. Selain untuk klinis, KIDNA juga bermanfaat dalam lingkungan akademik untuk demonstrasi praktis pengolahan citra medis, analisis tekstur, dan penerapan machine learning klasik sehingga dapat dijadikan alat bantu pembelajaran yang aplikatif.
Teknologi Informasi dan Komunikasi
Pengolahan Citra Biomedis : Alzheimer’s Disease Neuroimaging Initiative Class Classification
Aplikasi ini dirancang untuk mempermudah proses klasifikasi penyakit Alzheimer berdasarkan tingkat demensia. Dengan bantuan klasifikasi ini, interpretasi citra MRI dapat dilakukan secara lebih efisien, terutama ketika menangani jumlah citra yang besar. Aplikasi ini berpotensi menjadi alat bantu bagi tenaga medis dalam melakukan deteksi dini Alzheimer, sehingga mendukung pengambilan keputusan klinis yang lebih cepat dan akurat.
Teknologi Informasi dan Komunikasi
ABCD (Abnormal Breast Cancer Detector)
Aplikasi ABCD (Abnormal Breast Cancer Detector) merupakan aplikasi sederhana berbasis machine learning untuk mendeteksi abnormalitas sebuah citra histologi yang menandakan pertumbuhan tidak normal pada jaringan payudara. Aplikasi ini dapat mengekstraksi fitur-fitur penting dari citra histologi, seperti keliling sel, jumlah sel dalam jaringan, dan lain sebagainya, sehingga dapat digunakan sebagai dataset untuk melakukan prediksi dengan machine learning. Aplikasi ini dirancang untuk menjadi alat bantu dalam proses deteksi dini abnormalitas pada jaringan payudara berdasarkan citra histologi (biopsy). Dalam praktiknya, hasil dari prosedur biopsy seringkali baru dapat diperoleh beberapa hari, atau bahkan beberapa minggu setelah biopsy dilakukan. Dengan aplikasi ini, informasi kuantitatif dari citra jaringan dapat ditampilkan sebagai dasar klasifikasi jaringan. Melalui model machine learning, pengguna dapat memperoleh hasil prediksi dengan cepat mengenai kategori jaringan (normal atau abnormal), yang memungkinkan deteksi lebih cepat daripada hasil biopsy manual. Aplikasi ini berpotensi mendukung proses diagnosis awal, mempercepat screening kanker payudara, serta meningkatkan efisiensi kerja analis atau tenaga medis. Secara umum, sistematika keberjalannya program ini adalah sebagai berikut: 1. Pengguna diminta untuk memasukkan nama file citra yang ingin dianalisis, yang telah disimpan di direktori “images” yang terletak di lokasi yang sama dengan lokasi aplikasi. 2. Citra yang dipilih akan diproses dengan histogram equalization pada kanal saturasi untuk meningkatkan kontras citra. 3. Selanjutnya, citra akan ditransformasikan menjadi citra grayscale. Setelah citra grayscale dihasilkan, aplikasi akan melakukan ekstraksi fitur menggunakan metode GLCM (Gray Level Co-occurrence Matrix) untuk menganalisis tekstur citra. 4. Setelah fitur tekstural berhasil diekstraksi, citra grayscale akan dikonversikan menjadi citra biner menggunakan ambang batas (threshold) yang telah ditentukan sebelumnya (pre-determined). 5. Pada citra biner yang dihasilkan, dilakukan ekstraksi fitur berbasis morfologi untuk menggambarkan struktur nukleus pada jaringan payudara. 6. Fitur-fitur morfologi dan tekstural yang telah diekstraksi kemudian dimasukkan ke dalam model machine learning yang telah dilatih sebelumnya, untuk melakukan klasifikasi jaringan payudara (normal atau abnormal), berdasarkan hasil citra yang diperoleh. Model ini mengandalkan kombinasi fitur morfologi dan tekstural untuk memprediksi kondisi jaringan payudara.
Teknologi Informasi dan Komunikasi
Peningkatan Kualitas Segmentasi Citra X-ray Paru melalui Metode CLAHE dan Wiener Filter
Aplikasi yang dikembangkan dalam proyek ini adalah sistem preprocessing citra X-ray dada yang bertujuan untuk membantu analisis kondisi pneumonia melalui peningkatan kualitas citra. Sistem ini menggunakan kombinasi metode CLAHE (Contrast-Limited Adaptive Histogram Equalization) dan Wiener Filter untuk meningkatkan kontras lokal serta mereduksi noise pada citra medis. Setelah tahap peningkatan kualitas, dilakukan segmentasi menggunakan thresholding untuk mengidentifikasi area bercak putih (infiltrat) yang umum muncul pada paru-paru penderita pneumonia. Aplikasi ini dijalankan dalam lingkungan simulasi MATLAB, dan dirancang untuk menampilkan perbandingan visual citra sebelum dan sesudah preprocessing, serta menghitung jumlah piksel putih sebagai indikator adanya potensi kelainan. Manfaat utama dari aplikasi ini adalah meningkatkan kejelasan visual citra X-ray sehingga membantu tenaga medis atau sistem pendukung keputusan dalam mengidentifikasi kemungkinan pneumonia secara lebih akurat. Dengan kontras yang diperkuat dan noise yang direduksi, struktur penting dalam paru-paru dapat terlihat lebih jelas, yang berguna dalam mendeteksi keberadaan infiltrat. Selain itu, aplikasi ini juga menghasilkan data kuantitatif berupa jumlah piksel putih setelah segmentasi, yang dapat menjadi dasar analisis awal sebelum tahap diagnosis lanjutan. Karena sistem ini ringan dan berbasis MATLAB, ia juga cocok untuk digunakan dalam lingkungan akademik maupun simulasi klinis sebagai dasar pengembangan sistem klasifikasi otomatis di masa depan.
Teknologi Informasi dan Komunikasi
Aplikasi Klasifikasi Glaukoma Berbasis Segmentasi Optik Disk dan Cup pada Citra Fundus
Aplikasi ini merupakan sebuah sistem perangkat lunak berbasis desktop yang dikembangkan untuk mendukung proses deteksi dini glaukoma melalui analisis citra fundus mata. Sistem ini dirancang untuk menerima input berupa citra fundus, memprosesnya secara otomatis, dan menghasilkan prediksi status mata (normal atau glaukoma) berdasarkan karakteristik optik disk dan cup. Mekanisme Kerja Aplikasi Fungsi aplikasi ini terintegrasi melalui serangkaian tahapan pengolahan citra digital dan kecerdasan buatan, meliputi: 1. Pengunggahan Citra Fundus: Pengguna dapat mengunggah citra fundus mata dari perangkat penyimpanan mereka melalui antarmuka pengguna grafis (GUI) yang intuitif. 2. Pra-pemrosesan Citra: Citra yang diunggah akan melalui tahap pra-pemrosesan untuk meningkatkan kualitas visual dan mengoptimalkan kontras serta kejernihan area-area kritis pada citra. 3. Segmentasi Optik Disk dan Cup: Tahap fundamental dalam aplikasi ini adalah segmentasi otomatis area Optik Disk (cakram optik) dan Optik Cup (cekungan optik). Kedua struktur ini sangat vital dalam diagnosis glaukoma karena perubahan morfologisnya seringkali menjadi indikator patologi tersebut. 4. Ekstraksi Fitur: Berbagai parameter kuantitatif diekstraksi dari area Optik Disk dan Cup yang tersegmentasi. Fitur-fitur ini meliputi: ○ Cup-to-Disk Ratio (CDR): Perbandingan dimensi optik cup terhadap optik disk, dihitung baik secara horizontal maupun vertikal. Peningkatan nilai CDR merupakan salah satu indikator kunci glaukoma. ○ Neuroretinal Rim (NRR): Analisis ketebalan dan karakteristik neuroretinal rim, yaitu jaringan saraf yang mengelilingi optik cup, diukur pada kuadran superior, inferior, nasal, dan temporal (ISNT rule). ○ Tekstur GLCM (Gray Level Co-occurrence Matrix): Fitur tekstural seperti kontras, energi, homogenitas, korelasi, dan dissimilarity diekstraksi dari area diskus, cup, dan NRR untuk menangkap pola distribusi intensitas piksel. ○ Statistik Citra Global: Parameter statistik seperti mean, standard deviation, variance, skewness, kurtosis, dan entropy dari citra grayscale keseluruhan untuk menangkap karakteristik global gambar. 5. Klasifikasi Menggunakan Model Pembelajaran Mesin: Fitur-fitur yang telah diekstraksi akan menjadi input bagi model klasifikasi Random Forest yang telah dilatih sebelumnya. Model ini bertugas untuk mengidentifikasi pola-pola spesifik yang membedakan antara citra mata normal dan citra mata dengan indikasi glaukoma. 6. Prediksi dan Probabilitas: Hasil akhir dari proses ini adalah label klasifikasi (Normal atau Glaukoma) disertai dengan nilai probabilitas (misalnya, 0.85 untuk glaukoma), yang merepresentasikan tingkat kepercayaan model terhadap prediksinya. Manfaat Aplikasi Aplikasi ini memberikan beberapa manfaat strategis, khususnya dalam mendukung upaya skrining dan diagnosis awal glaukoma: ● Potensi Deteksi Dini: Glaukoma seringkali asimtomatik pada tahap awal. Aplikasi ini dapat membantu mengidentifikasi kasus-kasus yang dicurigai lebih awal, memungkinkan intervensi medis yang tepat waktu sebelum terjadi kerusakan saraf optik yang ireversibel. ● Peningkatan Efisiensi: Proses analisis citra dan ekstraksi fitur yang kompleks dapat diselesaikan dalam waktu yang relatif singkat, jauh lebih efisien dibandingkan dengan analisis manual. Hal ini krusial dalam lingkungan klinis dengan volume pasien yang tinggi. ● Alat Pendukung Diagnostik Klinis: Penting untuk digarisbawahi bahwa aplikasi ini berfungsi sebagai alat bantu diagnostik dan bukan pengganti profesionalisme dokter mata. Informasi yang dihasilkan bertujuan untuk melengkapi dan mendukung keputusan klinis dokter, yang memegang otoritas penuh atas diagnosis akhir dan penentuan regimen perawatan. ● Potensi Skrining Massal: Kapabilitas pemrosesan citra yang cepat menjadikan aplikasi ini berpotensi untuk diterapkan dalam program skrining glaukoma berskala besar, khususnya di area dengan akses terbatas terhadap fasilitas kesehatan mata. ● Sarana Penelitian dan Edukasi: Aplikasi ini juga dapat dimanfaatkan sebagai instrumen dalam penelitian di bidang pengolahan citra medis dan pembelajaran mesin, serta sebagai alat bantu edukasi untuk memahami parameter-parameter relevan glaukoma.
Teknologi Informasi dan Komunikasi
KLASIFIKASI LESI KULIT PADA DATASET HAM10000 MENGGUNAKAN EKSTRAKSI FITUR TEKSTUR DAN MODEL SVM & XGBOOST
Sistem ini adalah sebuah aplikasi komputasi untuk klasifikasi otomatis lesi kulit menggunakan citra dermoskopi dari dataset HAM10000. Aplikasi ini dirancang untuk memproses citra kulit, mengekstraksi fitur-fitur kuantitatif yang relevan, dan melatih model machine learning untuk membedakan antara lima jenis lesi kulit: actinic keratoses (akiec), basal cell carcinoma (bcc), benign keratosis-like lesions (bkl), melanoma (mel), dan melanocytic nevi (nv). Manfaat aplikasi : ● Meningkatkan Kualitas Citra Diagnostik: Aplikasi ini mampu mengurangi artefak visual seperti rambut dan meningkatkan kontras pada citra dermoskopi, sehingga struktur lesi menjadi lebih jelas untuk dianalisis baik oleh dokter maupun oleh sistem AI. ● Mendukung Diagnosis Objektif: Dengan memanfaatkan fitur kuantitatif (bentuk, warna, tekstur) dan model machine learning (SVM dan XGBoost) , aplikasi ini menyediakan alat bantu klasifikasi yang lebih objektif dan konsisten, mengurangi subjektivitas dalam diagnosis visual. ● Mempercepat Deteksi Dini Kanker Kulit: Proses klasifikasi otomatis dapat mempercepat skrining awal lesi yang berpotensi ganas seperti melanoma , yang sangat krusial karena deteksi dini secara signifikan meningkatkan angka kelangsungan hidup pasien. ● Standardisasi Data untuk Analisis Lanjutan: Pipeline pengolahan citra yang terstruktur menghasilkan data yang seragam, membuka peluang untuk studi komparatif yang lebih andal antar pasien atau populasi.
Teknologi Informasi dan Komunikasi
Apabila terdapat pihak yang berminat melakukan komersialisasi Kekayaan Intelektual, dipersilakan untuk menghubungi Direktorat Kawasan Sains dan Teknologi.