Department of Mathematics

FMIPA UI
Data Science untuk
Pengembangan Industri
Agromaritim Nasional
Prof. Alhadi Bustamam, Ph.D.
• Head of Mathematics Department, Faculty of
Mathematics and Natural Sciences, Universitas
Indonesia
• Chairman of Data Science Center (DSC), Faculty
of Mathematics and Natural Sciences

Senin, 15 Januari 2024 1

Outline
1. Industri Agromaritim
2. Konsep Data Science
3. Penerapan Data Science dalam Industri
Agromaritim
4. Tantangan dan Peluang di Masa Depan

2
FMIPA Universitas
Indonesia
 Profile
Head of Mathematics Department
Department of Mathematics, Faculty of Mathematics and Natural
Sciences, Universitas Indonesia

Chairman of Data Science Center (DSC)

Lembaga Sains Terapan, Faculty of Mathematics and Natural
Sciences, Universitas Indonesia

Prof. Alhadi Bustamam, Ph. D. Co-Founder of Bioinformatics and Advanced Computing

Alhadi@sci.ui.ac.id Lab

Department of Mathematics, Faculty of Mathematics and

Natural Sciences, Universitas Indonesia
dsc.ui.ac.id

dsc.lst.ui Gedung Lab. Multidisiplin Pertamina, Lantai 6

Ruang 606, FMIPA Universitas Indonesia 3

081218189985 FMIPA Universitas

Indonesia
01
Industri Agromaritim

4
Agromaritim
Indonesia memiliki sumber daya alam yang melimpah

Luas perairan Indonesia mencapai 70%

5

Di sisi daratan, kondisi geografis Indonesia menjadikan

negara agraris

5
 PERTANIAN​
 Nilai ekspor pertanian pada tahun 2022
mencapai angka lebih dari Rp. 640 triliun.​
 Ekspor komoditas perkebunan yang
melonjak pada tahun 2022 paling besar
disumbang oleh komoditas kelapa sawit
dengan nilai Rp. 468,64 triliun.​

KELAUTAN

6
Ø Menurut statistik data Kementerian Kelautan dan
Perikanan (KKP), pada tahun 2022
total nilai produksi perikanan mencapai
angka Rp. 420 triliun.
Ø Potensi ekonomi maritim Indonesia
mencapai Rp. 20.000 triliun. 6
 Statistik data Kementerian Kelautan dan Perikanan (KKP)

Sumber: https://statistik.kkp.go.id/home.php?m=prod_ikan_prov&i=2#panel-footer-kpda
PERKEMBANGAN TEKNOLOGI

Terdapat potensi yang dapat dimaksimalkan jika

dilakukan riset & pengembangan pada sektor
agromaritim

Perkembangan teknologi memudahkan pengambilan

berbagai jenis data untuk kebutuhan riset

Data yang dapat diperoleh dari sektor agromaritim

bermacam-macam Tipe data yang berbeda 8
memungkinkan dilakukannya berbagai penelitian

Saat ini kita sudah berada di era Big Data

8
PERKEMBANGAN
TEKNOLOGI
•Volume
• Jumlah data yang masif
•Velocity
• Data diperoleh dengan cepat
•Variety
• Variasi dari tipe data yang diperoleh 9

•Veracity
• Tingkat keakuratan data
•Value
• Data memiliki nilai berguna bagi bisnis

9
 • Jumlah data yang diperoleh sangat masif
VOLUME • Ukuran data dapat mencapai ribuan
terrabyte (TB)

• Data diperoleh dengan sangat cepat

bahkan real-time VELOCITY
• Sejalan dengan perkembangan internet
10

• Data yang diperoleh bervariasi

VARIETY • Bentuk data berupa tabel, gambar,
video, audio, dan teks 10
 VERACITY VALUE

• Keakuratan dan reabilitas data • Data memiliki manfaat nilai

• Data yang diperoleh valid yang dapat diambil
dapat dipertanggung • Memberikan insight untuk
jawabkan kebenarannya pengambilan keputusan

11

11
 12

IMPLEMENTASI DATA • Dibutuhkan suatu bidang ilmu yang dapat mempelajari bagaimana
mengolah dan menganalisis data pada era Big Data
SCIENCE UNTUK BIG • Analisis Big Data dapat dilakukan dengan pendekatan Data
DATA Science 12
02
Konsep Data Sains
13

13
Apa Itu Data Sains?

14

14
Perbedaan antara Data, Information, Knowledge, dan Wisdom

15

https://simonatta.medium.com/data-architecture-intro-e425ec411426
15
 Why is data science so growing fast right now?

16

Data Explosion and Big Data Advancement in GPU

16
 Why is data science so growing fast right now?

17

Increased business need for data-driven decision making

17
Rise of Deep Learning Model
Why is data science so growing fast right now?

18

Open source machine learning and deep learning tools 18

 Data Science
• Data science is an interdisciplinary field using scientific
methods, algorithms, and systems to extract insights from
structured and unstructured data.
• It aims to unify statistics, data analysis, machine learning,
and related methods to understand and analyze real-world
phenomena with data.
• The field incorporates techniques and theories from
mathematics, statistics, information science, and computer
science.
• Data science practitioners leverage machine learning
Traditiononal algorithms on various data types (numbers, text, images,
Statistics
video, audio) to create AI systems that perform tasks
19 requiring human intelligence.
• AI systems, in turn, generate insights that analysts and
business users can translate into tangible business value.
Domain Knowledge

19

https://towardsdatascience.com/6-characteristics-that-every-aspiring-data-scientist-should-know-about-4c34873bc89
 Mathematics and Statistics Role in Data Science

AI and Deep learning solutions can be implemented using

software but mathematics is needed to understand the inner
workings of these solutions. Mathematics helps create unique
and more effective ML models.

Mathematics gives the fundamental ideas that

underlie these machine learning algorithms. Three
mathematics and statistics pillar of data science are: Traditiononal
1. Linear Algebra Statistics

2. Probability and Statistics 20

3. Optimizations
4. Logic and Algorithm Domain Knowledge

Sources: Madhavilata, Mangipudi. (2021). Role of

Mathematics in Data Science. 8.
20
https://towardsdatascience.com/6-characteristics-that-every-aspiring-data-scientist-should-know-
about-4c34873bc89
 Computer Science Role In Data
Science
The relationship between data science and computer science
is as follows:
• Algorithms and data structures are used to manage and
process data.
• Programming is employed to aid in the collection, cleaning,
and analysis of data.
• Databases and cloud computing are also highly relevant for
managing and storing data on a large scale. Traditiononal
• Machine learning and deep learning, which are branches of Statistics

AI, play a significant role in data science by solving21

problems based on processed data.
Domain Knowledge
Source: Donoho, D. (2017). 50 Years of Data Science.
Journal of Computational and Graphical Statistics, 26(4),
745–766.
21
https://towardsdatascience.com/6-characteristics-that-every-aspiring-data-scientist-should-know-
about-4c34873bc89
 Domain Expertise Role in Data
Science
• Domain expertise is the understanding of essential aspects
within a specific field of inquiry.
• It is crucial in guiding the discovery and evaluation process
based on intuitive knowledge of valuable input and output.
• Without a proper understanding of data sources and results'
purpose, analytical products may lack value.
• Domain expertise is employed to assess inputs, guide the
process, and evaluate end products in terms of value and Traditiononal
validity. Statistics

22

Source: McCue, Colleen. (2007), Data Mining and Predictive

Analysis, 323-332 Domain Knowledge

22
https://towardsdatascience.com/6-characteristics-that-every-aspiring-data-scientist-should-know-
about-4c34873bc89
 Data Science Life Cycle

23

23

Data Science life Cycle | Towards Data Science

Source of Data

24
In Demand Skill Related
to Data Science

24
 Data Science Scope • Machine learning (ML) is
in term of Learning Models allowing algorithms to learn
• Data science (DS) involves from provided data, gather
using and developing insights, and make predictions
learning algorithms. on unanalyzed data.
• The primary focus of data • In machine learning, statistical
science is the extraction of methods are utilized to make
knowledge from data machines to learn without
• to address specific explicit programming.
questions or solve
particular problems.

• Deep learning (DL) is

• Artificial Intelligence (AI)
is defined as the study of
algorithms
• enabling machines to
reason and execute
cognitive functions.
• Cognitive functions in AI
include problem solving,
object and word recognition,
and decision-making.
Otokiti, Ahmed. (2020)
inspired by the structure and
function of the brain's
25 artificial neural networks.
• The term "deep learning"
typically refers to deep
artificial neural networks.
• DL often deals with more
complex and unstructured
data.
25
Machine Learning Algorithms

26

26
Supervised, Unsupervised, & Reinforcement Learning - AI Wiki (paperspace.com)
 Data Science: The Scope

27

https://medium.com/@mail2princeyadav/machine-
learning-vs-deep-learning-b5c5a4fc5c
Joke:
AI solve something cool that easy for human but difficult for https://towardsdatascience.com/ten-years-of-ai-in-review-85decdb2a540
computer (e.g speech, voice, video recognition, etc) 27
D S solve something difficult for human but easy for computer (e.g:
statistical data analytics, clustering, etc.)
 Input #1
Neural Networks Input #2
Output
Input #3

Input #4

Network of simple neuron- Input Layer Hidden Layer Output Layer

like computing elements that
can learn to associate inputs
with desired outputs
28

28
 Brain Neural Network Simple Artificial Neural Network
Model

Neural
Networks
29

29
ANN-Model Probabilistic State of Vulnerability
(PSoV), Bhatia, 2017.
 03
Penerapan Data Science dalam Industri
Agromaritim 30

30
 Digital Soil and Crop Mapping

Peran Data Science dalam Dengan data sains petani mampu untuk memantau Jenis Tanah, Menganalisis Properti
Tanah, dan Memberikan Pembaruan dan Peringatan Cepat

Industri Agriculture
Disease Detection and Pest Management
Data Science membantu dalam mengelola dan mengendalikan hama serta penyakit
tanaman, meningkatkan kesehatan tanaman dan hasil panen.

Fertilizers Recommendation
31

Data Sains mampu untuk rekomendasi pemupukan kepada petani. Dengan memanfaatkan
analisis data tanah, iklim, dan faktor-faktor pertanian lainnya untuk memberikan saran
pemupukan yang optimal.

31
Musanase, C.; Vodacek, A.; Hanyurwimfura, D.; Uwitonze, A.; Kabandana, I. Data-Driven Analysis and Machine Learning-
Based Crop and Fertilizer Recommendation System for Revolutionizing Farming Practices. Agriculture 2023, 13, 2141.
https://doi.org/10.3390/agriculture13112141
https://data-flair.training/blogs/data-science-in-agriculture/
 Weather Prediction

Data science dapat memanfaatkan data besar dan teknik analisis data untuk
Peran Data Science memprediksi cuaca, yang memiliki dampak signifikan pada sektor pertanian dan
kelautan.
dalam Industri
Adaptation to Climate Change
Agriculture Data science digunakan untuk menganalisis dampak perubahan iklim pada sektor
pertanian dan merancang strategi adaptasi yang tepat

Automated Irrigation System

Dengan data science dapat dilakukan otomatisasi pada system irigasi seperti:
Monitoring Tanaman dan Kondisi Tanah, Prediksi Kebutuhan Air, dan Peringatan Dini
32
Kekeringan atau Genangan

Big Data dan Penemuan Gen

Data science berperan dalam mengidentifikasi gen-gen yang berhubungan dengan sifat-
sifat unggul tanaman, sehingga dapat mempercepat proses pemuliaan tanaman
32
Peran Data Science dalam Industri aquaculture and fisheries

33

The Schematic representation of the potential applications of data mining and machine learning techniques in aquaculture. 33
J. Gladju, Biju Sam Kamalam, A. Kanagaraj, Applications of data mining and machine learning framework in aquaculture and fisheries: A review, Smart Agricultural Technology, Volume 2,2022
 Schematic representation of
the potential applications of
data mining and machine
learning techniques in
aquaculture.

34

34
J. Gladju, Biju Sam Kamalam, A. Kanagaraj, Applications of data mining and machine learning framework in aquaculture and fisheries: A review, Smart Agricultural Technology, Volume 2,2022
 35

The application structure of machine learning method in aquaculture.

35
J. Gladju, Biju Sam Kamalam, A. Kanagaraj, Applications of data mining and machine learning framework in aquaculture and fisheries: A review, Smart Agricultural Technology, Volume 2,2022
Berbagai Metode
Komputasional (Data
Mining dan Machine
Learning) serta
Aplikasinya dalam
Akuakultur 36

36
Gladju, Biju Sam Kamalam, A. Kanagaraj, Applications of data mining and machine learning framework in aquaculture and fisheries: A review, Smart Agricultural Technology, Volume 2,2022
Berbagai Metode
Komputasional (Data
Mining dan Machine
Learning) serta
Aplikasinya dalam
Akuakultur 37

37
Gladju, Biju Sam Kamalam, A. Kanagaraj, Applications of data mining and machine learning framework in aquaculture and fisheries: A review, Smart Agricultural Technology, Volume 2,2022

Beberapa contoh
Aplikasi Machine
Learning dan Big
Data dalam
Akuakultur
Sumber: Application of machine learning in intelligent fish aquaculture, 2021
1.Biomass detection of fish
2.Weight estimates
3.Count
4.Recognition and classification of fish
5.Age detection
6.Sex classification
7.Fish species classification
8.Behavorial analysis
9.Abnormal behavior
38
10.Water quality parameters prediction
11.Univariate prediction
12.Multivariate prediction
38
Use Case Generative AI di bidang Bisnis Maritim
• Mengembangkan model prediksi cuaca laut yang lebih akurat. Dengan memproses data-
data historis dan faktor-faktor seperti suhu permukaan laut, arus laut, dan tekanan
atmosfer sehingga dapat memberikan perkiraan cuaca laut yang lebih baik.
• Membantu dalam pembuatan simulasi ekosistem laut, untuk membantu ilmuwan
memahami dampak perubahan iklim dan aktifitas manusia terhadap kehidupan laut, serta
memprediksi cara-cara melindungi ekosistem laut.
39

39
Use Case Generative AI di bidang Bisnis Maritim
• Mendeteksi Polusi laut berbasis citra dan pengenalan pola, misalnya untuk mendeteksi
tumpahan minyak, tumpukan plastik.
• Mengoptimalkan penggunaan energi untuk pelayaran berdasarkan kondisi laut. Ini akan
membantu mengurangi dampak lingkungan dan biaya operasional.
• Menganalisis data dari sensor navigasi dan mengidentifikasi potensi situasi berbahaya di
laut.
• Memprediksikan lokasi
40
asal suatu benda berdasarkan temuan pada posisi terakhir bagian
dari benda yang dicari.

40
Use Case Generative AI di bidang Bisnis Maritim
• Memberikan informasi zonasi potensi ikan, stok, daerah aman melaut, rute dan waktu
tiba nelayan sehingga akan meningkatkan hasil tangkapan nelayan, meningkatkan
efesiensi waktu melaut dan keamanan melaut, serta mengurangi konsumsi bahan bakar.

41

https://globalfishingwatch.org/map-and-data/

41
Use Case Generative AI di bidang Maritim

42

42
https://netsolcloudservices.com/blog/generative-ais-potential-in-the-shipping-and-cruise-industries
 Use Case Generative AI di bidang Maritim

• Mengoptimalkan manajemen lalu lintas kapal dan perencanaan dermaga. Menghasilkan

operasi yang lebih efisien dan hemat biaya.
• Mengotomatisasi proses penumpukan dan pengambilan kontainer. Mengurangi
kebutuhan untuk tenaga kerja manual dan meningkatkan tingkat keamanan.
• Membantu pengembangan derek dan kendaraan otonom. Meningkatkan kecepatan
dan akurasi operasi penanganan
43
kargo.

https://netsolcloudservices.com/blog/generative-ais-potential-in-the-shipping-and-cruise-industries
43
 Use Case Generative AI di bidang Maritim

Perusahaan pengiriman dapat mengoptimalkan rute dan kecepatan kapal yang

memiliki keuntungan,
• Mengurangi biaya dan meningkatkan efisiensi.
• Pelacakan kargo yang lebih baik dan visibilitas rantai pasokan, membantu perusahaan
untuk memantau dan mengelola pengiriman mereka dengan lebih baik.
• Berkurangnya konsumsi bahan bakar dan emisi berakibat pada lingkungan yang lebih
44
terjaga dan berkelanjutan.

https://netsolcloudservices.com/blog/generative-ais-potential-in-the-shipping-and-cruise-industries
44
 Use Case Generative AI di bidang Maritim

• Kecelakaan kapal dapat diprediksi dengan akurat sehingga dapat dicegah atau dapat
di tangani dengan cepat.
• Mendeteksi aktivitas mencurigakan, seperti perompakan dan penyelundupan, serta
membantu pihak berwenang mengidentifikasi dan melacak kegiatan penangkapan ikan
ilegal secara real-time.
• Industri maritim memiliki peluang lebih baik untuk menjamin keselamatan dan
keamanan samudra beserta
45
sumber dayanya.

https://netsolcloudservices.com/blog/generative-ais-potential-in-the-shipping-and-cruise-industries
45
 Use Case Generative AI di bidang Maritim

• Merancang dan mengembangkan kapal otonom dan kapal drone mutakhir yang mampu
untuk beroperasi tanpa campur tangan manusia.
• Meningkatkan efisiensi dan akurasi sistem navigasi maritim dan sistem komunikasi,
menghasilkan transportasi laut yang lebih aman dan terjamin.
• Membuat sistem kontrol yang dapat diaktifkan dan dioperasikan dengan perintah,
sehingga lebih intuitif dan ramah pengguna.
46

https://netsolcloudservices.com/blog/generative-ais-potential-in-the-shipping-and-cruise-industries
46
 DSC Maritime Project
Aplikasi yang dapat memberikan informasi kelautan kepada penggunanya, dengan
fitur sebagai berikut.

1. Aplikasi Keselamatan
Berlayar Nelayan Berbasis
Smartphone
55

55
04
Tantangan dan Peluang di Masa Depan
56

56
 Keterbatasan Infrastruktur
Penerapan data sains memerlukan infrastruktur IT yang memadai
Tantangan dalam
Penerapan Data Keterampilan Tenaga Kerja
Penerapan data sains memerlukan keterampilan khusus dalam analisis data,
pemrograman, dan pengetahuan domain.
Sains
Keterbatasan Data
Penerapan data sains memerlukan akses ke data yang cukup dan terstruktur.

Kerumitan
57
Data
Data pada industri agromaritim seingkali kompleks dan heterogen, sehingga
menerapkan data sains akan menjadi rumit.

Regulasi dan Kebijakan

Industri agromaritim seringkali terikat regulasi yang ketat, sehingga dapat
menghambat implementasi data sains. 57
 Keterbatasan Infrastruktur
Memanfaatkan teknologi cloud untuk memudahkan akses, penyimpanan d

Strategi dalam ata, dan pengolahan data.

Keterampilan Tenaga Kerja

Penerapan Data Memberikan pelatihan kepada tenaga kerja agar memiliki keterampilan yan
g diperlukan.

Sains Keterbatasan Data

Membuat rencana data yang matang sesuai dengan
yang diperlukan dan menentukan cara pengumpulan, penyimpanan,
dan pemeliharaan data.

Kerumitan Data
58
Menggunakan standar data yang umum sehingga
mempermudah pertukaran, pengolahan dan integrasi data.

Regulasi dan Kebijakan

Terlibat aktif dalam dialog dengan regulator untuk memahami dan beradapt
asi dengan perubahan peraturan yang mungkin terjadi.
58
 Optimasi Produk
Mengoptimalkan metode pertanian dan perikanan, pemilihan varietas
tanaman atau jenis ikan yang sesuai, dan penjadwalan tanam dan panen

Potensi yang tepat.

Prediksi dan Pengelolaan Risiko

pengembangan Pemanfaatan analisis prediktif untuk meramalkan risiko seperti fluktuasi
pasar, cuaca ekstrem, atau penyakit tanaman dan ikan.

Pelacakan Rantai Pasokan

Memantau rantai pasokan pangan dan produk kelautan dari petani atau
nelayan hingga konsumen akhir. Ini dapat meningkatkan transparansi dan
59
keamanan pasokan.

Peningkatan Keberlanjutan
Mengembangkan praktik pertanian dan perikanan berkelanjutan, termasuk
pemantauan dan mitigasi dampak lingkungan, manajemen limbah, dan
peningkatan efisiensi penggunaan air.
59
 Inovasi Mendorong Industri Agromaritim

Pemantauan Lingkungan Prediksi Produksi

Sensor dan IoT memantau suhu, kelembaban, dan kualitas air secara Model prediktif cuaca membantu petani dan nelayan mengambil
real-time, mendukung pengelolaan pertanian dan akuakultur yang keputusan tepat waktu terkait penjadwalan tanam, panen, dan
efisien. aktivitas perikanan.

Pemantauan Kesehatan Ternak 60

Sistem Pengelolaan Rantai
dan Perikanan Pasokan
Sensor dan data kesehatan hewan mendeteksi dini penyakit, Analisis data meningkatkan efisiensi rantai pasokan, manajemen
memperkuat pengelolaan dan mencegah penyebaran. inventaris, dan pemahaman permintaan pasar.

60
 Data Science Center UI
• SK Ketua UKK Nomor:
352/UN2.F3.UKK.K1/SDM.0002/2018 on December 3rd ,
2018

• Pertamina Multidisciplinary Lab Building, 6th Floor Room 606,

FMIPA Universitas Indonesia 61

• 081218189985 • dsc.ui.ac.id • dsc.lst.ui

61
Our Services

62
62
 Research Collaboration in Several Universities and
Industries GIFU AUA
University &
Kalbe Farma Institution MIT (Asian University
UNIVERSITY Alliance) Glair Monash
Integer MIRA Project
University
Pharmaceutical Eijkman Institue University of Malaya
AI for Leiden
company ITS: AI & Tek Kesehatan UII: Coventry RSUI
Healthcare
University University
UI
Data Science School
Neuroscience Perdana
YARSI: Medical Data Bioinformatics
University,
Absolut Data Analytics IMERI FK: AI for Health
Malaysia Prof Herman Spaink
Care FARMASI: Drug Design
Indonesia
using AI FASILKOM: DSC School of Data Science Prof
Konvergen.ai
Ministry Advanced Computing SDGs Moh Asif Khan
HUB UI: Data Analytics
Data Science
Center BRIN
QUT Center Kemendargri, NTU
for Data Kemenag, Universitas UQ
UMG (National
Science Kemenhan, Kemendes Indonesia (The University of Taiwan
Idealab
Queensland) University) Dikti AI
ATM Sehat, Medical Bioinformatics and Advanced AI for Information
Data Analytics
Computing Prof Nick Security Block Chain
Center
Hamilton
Association Partner SAMSUNG and Cryptography

(IndoMS, MABBI, GRM Samsung Research CU

URIMO Life Institute Indonesia
MKI)
(SRIN)
Coventry University Tokyo Institute ASEF Inovation
Universitas Intelligent healthcare and data of Technology Labs
AKSARAMAYA
Malaya MOCO Sentiment
science
Widya Institute of
Universitas Insan Cita Indonesia Analysis RSCM
Jawaharlal Nehru Technology
University 63
 Research Activity in DSC UI

Fase
Fase Vegetatif
Vegetatif Fase
FaseGeneratif
Generatif

Pendeteksian penyakit Tanaman Karet Perkembangan Tanaman Padi dengan

Pendeteksian Penyakit Mata Kronis dengan Citra Daun Menggunakan Citra Satelit

Penelitian penyakit kronis melalui citra fundus Pendeteksian penyakit pada tanaman karet Penelitian perkembangan tanaman padi
retina kerjasama DSC dengan UMG Idealab, menggunakan citra daun (SATREPS Project) dengan menggunakan citra satelit
RSCM, RSUI, IMERI FK UI, MIT sentinel-1 dan citra radar kerjasama DSC
kerjasama DSC dengan Departemen

Matematika, Biologi, Geografi FMIPA UI dan dengan BRIN

pihak Jepang (JICA, RIKEN, GIFU University)

serta Pusat Penelitian Karet Indonesia (IRRI). 64

64
 Research Activity in DSC UI

Penelitian Penggunaan Data Science dan AI di Penelitian Data Science dan AI untuk
Pengembangan Telehealth dan Telemonitoring
Industri Farmasi Pendeteksian Curah Hujan

Pengembangan telehealth dan telemonitoring Penelitian penggunaan data science dan AI di Penelitian data science dan AI untuk
kerjasama DSC dengan RSUI, Digital Sehat industri farmasi kerjasama DSC dengan PT pendeteksian curah hujan kerjasama DSC
Indonesia (DSI), dan UI Advisory. Kalbe Farma dan Fakultas Farmasi UI. dengan BMKG dan Departemen Fisika FMIPA
UI.

65
65
 Research Activity in DSC UI

Kerjasama DSC dengan Global Risk Kerjasama DSC dengan IMERI

Kerjasama DSC dengan GRM Kerjasama DSC dengan RSUI
Management (GRM). FK UI dan RSCM.

Penerapan data science Penelitian umur biologis dengan pendeka Pendeteksian COVID- Generated Tabular Data with Multi-
dan AI di bidang asuransi dan tan data science dan AI 19 berbasis AI GANs for Arrhythmia Classification
keuangan Based on DNN Models

66
66
Partnership

67
 Thank You
Follow Us
dsc.ui.ac.id dsc.lst.ui 081218189985

68

68