Article Per Year (5 Year)
p-Index From 2021 - 2026
1.686
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Teknik Elektro Terapan Journal of Midwifery Prosiding Seminar Nasional Hasil Penelitian Sains, Teknik dan Aplikasi Industri Fakultas Teknik Universitas Lampung Electrician : Jurnal Rekayasa dan Teknologi Elektro Jurnal Rekayasa elektrika SNTE Nemui Nyimah
Endah Komalasari, Endah
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Mechanical Engineering Other

Published : 10 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 Agani, Usman Aldiansyah, Aldiansyah Ardian Ulvan Aryanto Aryanto Charles Ronald Harahap Darajat, AU Diah Permata Hamdani, Fadil Melvi, Melvi N, Hekson Yulian Noer Soedjarwanto Osea Zebua Prasojo, Bagus Riwanda , Rahmat Faisal Sadnowo R., Ageng Soedjarwanto, Noer Arif Sukamto, Ika Sumiyarsi Syaiful Alam Umar, Muhammad Abdullah