Article Per Year (5 Year)
p-Index From 2021 - 2026
1.554
P-Index
This Author published in this journals
All Journal JITROKOM Prosiding Seminar Nasional Darmajaya NUSANTARA : Jurnal Ilmu Pengetahuan Sosial Prosiding Seminar Nasional Hasil Penelitian Sains, Teknik dan Aplikasi Industri Fakultas Teknik Universitas Lampung Jurnal Nusantara Mengabdi Jurnal Teknologi Riset Terapan
Ardian Ulvan
Jurusan Teknik Elektro Universitas Lampung, Bandar Lampung.
Humanities Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering Public Health Social Sciences Other

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
DESAIN ALGORITMA SELF-SUPERVISED VISION TRANSFORMER LEARNING UNTUK PERANGKAT LOW ENERGI IOE PERINGATAN DINI TSUNAMI: Aryanto , Melvi , A Ulvan, E Komalasari Jurusan Teknik Elektro, Universitas Lampung, Jl. Prof Soemantri B. No 1. Bandar Lampung, Lampung Aryanto, Aryanto; Melvi, Melvi; Ulvan, Ardian; Komalasari, Endah
Prosiding Seminar Nasional Ilmu Teknik Dan Aplikasi Industri Fakultas Teknik Universitas Lampung Vol. 8 (2025): Prosiding Seminar Nasional Ilmu Teknik dan Aplikasi Industri (SINTA) 2025
Publisher : Fakultas Teknik Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Peningkatan intensitas bencana tsunami di wilayah pesisir menuntut hadirnya sistem peringatan dini yang lebih akurat, adaptif, dan hemat energi. Penelitian ini mengusulkan desain algoritma Self-Supervised Vision Transformer Learning (SSL-ViT) yang dioptimalkan untuk perangkat Internet of Everything (IoE) berdaya rendah. Berbeda dengan pendekatan supervised konvensional yang membutuhkan label data dalam jumlah besar, SSL-ViT memanfaatkan pembelajaran representasi visual secara mandiri melalui pretext task seperti masking patch prediction dan contrastive learning, sehingga mampu belajar dari data citra pesisir tanpa anotasi. Arsitektur Vision Transformer dimodifikasi dengan mekanisme lightweight attention dan model pruning guna menekan konsumsi memori dan komputasi. Sistem ini diintegrasikan dengan jaringan perangkat IoE untuk melakukan deteksi anomali visual pada permukaan laut secara real-time. Hasil pengujian awal menunjukkan bahwa algoritma SSL-ViT mencapai akurasi deteksi anomali sebesar >85% dengan latensi inferensi <300 ms dan penghematan energi hingga 40% dibandingkan model CNN konvensional. Temuan ini membuktikan bahwa kombinasi self-supervised learning dan optimasi arsitektur transformer pada perangkat low-energy IoE mampu menjadi fondasi sistem peringatan dini tsunami yang efisien, skalabel, dan siap diimplementasikan di kawasan pesisir berinfrastruktur terbatas.
Co-Authors Aditama, Aris Akbar, Yusuf Rizki Sulardi Aryanto Aryanto Dwi Satrio Wicaksono, Dwi Satrio Endah Komalasari, Endah Fitri Lestari, Fitri Hery Dian Septama Melvi . Melvi, Melvi Mirda, Irfan Mona Arif Muda Batubara Muda, Mona Arif Nurhayati Nurhayati Sabita, Hary Shevia, Chiko Ayunindya Sidiq, Muhamad Rijal Wahidy, Yusril Yetti Yuniati