2026-01-11
V. Gokula Krishnan, M. S. Maharajan, B.V. Subba Rao, G. Mahalakshmi, M. Arunadevi
The reliable predictions of groundwater levels are crucial for long-term management of water resources, and they are an excellent source for human well-being. While conventional ML approaches work well for low-dimensional data, they are optimized for hyperparameters on high-dimensional inputs and also capture complex temporal correlations. To address these restrictions, this research presents a new framework for predicting groundwater-level changes up to five months in advance, built on the Vision Transformer (ViT) and optimised with Quokka Swarm Optimisation (QSO). ViT enables strong global feature extraction and long-range dependency modelling by processing time-series data as sequential image-like patches, in contrast to traditional neural networks. Drawing on quokka’s adaptive survival behaviour, the QSO procedure optimises the transformer's hyperparameters, such as patch size, attention heads, and depth, in real time to enhance prediction accuracy. The ViT+QSO outperformed baseline deep learning methods on groundwater datasets from Southern Africa in terms of RMSE, MAE, correlation coefficient (R), and Nash-Sutcliffe Efficiency (NSE). Quantile regression uncertainty quantification further improves the model's reliability for water resource planning. Hydrological variables, in addition to climate indices, influence groundwater fluctuations, as confirmed by ablation research. The proposed ViT-QSO achieved 93% R and 0.118 MAE, whereas the basic ViT achieved only 89.1% R and 0.152 MAE for groundwater-level prediction. Scalability, interpretability, and suitability for areas with limited monitoring infrastructure are hallmarks of the proposed methodology. This research provides valuable insights into how to better withstand the effects of climate change, in addition to human activities, on groundwater supplies. ABSTRAK: Ramalan paras air bawah tanah yang boleh dipercayai adalah penting bagi pengurusan jangka panjang sumber air dan kesejahteraan manusia; namun, pendekatan pembelajaran mesin konvensional berhadapan kekangan pengendalian input berdimensi tinggi serta model korelasi temporal kompleks. Kajian ini mencadangkan satu rangka kerja baharu berasaskan Pengubah Visi (ViT) yang dioptimum menggunakan Optimisasi Kawanan Quokka (QSO) dalam meramal perubahan paras air bawah tanah pada lima bulan lebih awal. ViT memproses data siri masa sebagai tampalan jujukan menyerupai imej bagi membolehkan pengekstrakan ciri global dan model kebergantungan jarak jauh, manakala QSO mengoptimumkan hiperparameter pengubah secara adaptif dalam meningkatkan ketepatan ramalan. Model ViT-QSO menunjukkan prestasi unggul berbanding kaedah pembelajaran mendalam asas pada set data air bawah tanah di Afrika Selatan, dengan peningkatan ketara dari segi RMSE, MAE, pekali korelasi (R), dan Kecekapan Nash–Sutcliffe (NSE), serta mencapai nilai R sebanyak 93% dan MAE 0.118 berbanding ViT asas masing-masing mencatatkan 89.1% dan 0.152. Pengkuantitian ketidakpastian melalui regresi kuantil meningkatkan kebolehpercayaan model bagi perancangan sumber air, manakala kajian ablasi mengesahkan peranan pembolehubah hidrologi dan indeks iklim terhadap turun naik paras air bawah tanah. Secara keseluruhan, metodologi yang dicadangkan adalah berskala, boleh ditafsir, dan sesuai pada kawasan infrastruktur pemantauan terhad, serta memberikan sumbangan penting dalam menangani kesan perubahan iklim dan aktiviti manusia terhadap sumber air bawah tanah.
2026-01-11
Mohammad Syarifuddin Bin Mohammad Sufian, Hisham Mohamad, M. Azman Zakariya, Aizat Akmal A. Mohamad Beddelee, Salman Saaban, Muhammad Fadlli A. Yazi
The persistent challenge of Human-Elephant Conflict (HEC) in regions like Malaysia necessitates robust and efficient mitigation strategies. Electric fences are effective but often face maintenance inefficiencies due to delayed fault detection. This study presents a smart electric fence monitoring system designed for real-time fault diagnosis and localisation. The system employs IoT-enabled in-place sensor nodes comprising 10 kV voltage sensors, short-circuit detection sensors, and 3-axis gyroscope sensors. Sensor data is transmitted via a LoRaWAN network, selected for its long-range, low-power characteristics, which are well-suited to rural, low-bandwidth environments where electric fences are typically deployed. Field validation of a 50 m, 10 kV, 6 A electric fence segment achieved 100% voltage and short-circuit detection rates and 99.91% gyroscope tilt accuracy. Reliable data transmission was maintained up to 1.3 km, with an RSSI of -110 dBm, in campus environments with concrete obstructions. Supplementary testing at the same positions using antennas at increased height yielded an RSSI of -79 dBm, with a 41 dB link margin, highlighting the potential for range scaling in future work. The system has so far been validated on a short 50 m electric fence segment with a practical LoRaWAN range of 1.3 km under campus conditions, indicating the need for further optimisation and field-scale trials. The system provides a practical solution for the Department of Wildlife and National Parks, Peninsular Malaysia (PERHILITAN), with direct application to their Sistem Pagar Elektrik Gajah (SPEG) for HEC mitigation. Beyond this application, the approach demonstrates potential for future use of IoT-based Structural Health Monitoring (SHM) concepts in resource-constrained rural infrastructures. ABSTRAK: Cabaran berterusan Konflik Manusia-Gajah (HEC) di kawasan seperti Malaysia memerlukan strategi mitigasi yang kukuh dan berkesan. Pagar elektrik berkesan dalam menangani konflik ini, tetapi sering berhadapan masalah penyelenggaraan akibat kelewatan pengesanan kerosakan pada pagar. Kajian ini membentangkan satu sistem pemantauan pagar elektrik pintar yang direka bagi mengdiagnosis penentuan lokasi kerosakan secara masa nyata. Sistem ini menggunakan nod pengesan dengan keupayaan internet benda terdiri daripada pengesan voltan 10 kV, pengesan pengesanan litar pintas, dan pengesan giroskop. Data pengesan dihantar melalui rangkaian LoRaWAN, yang dipilih atas dasar rangkaian jarak jauh dan penggunaan tenaga minimal. Ciri-ciri ini dianggap bersesuaian bagi persekitaran luar bandar di mana pagar elektrik biasanya dipasang, kerana kawasan ini seringkali tidak mendapat rangkaian telekomunikasi komersial. Ujian lapangan pada segmen pagar elektrik sepanjang 50 m, 10 kV 6 A telah berjaya mengesan voltan dan litar pintas dengan ketepatan 100%, manakala pengesan giroskop pula mampu mengesan kecondongan pada kadar 99.91%. Penghantaran data daripada pengesan pula berjaya mencapai jarak maximum 1.3 km dengan RSSI -110 dBm dalam persekitaran kampus dengan penghalang konkrit. Ujian sampingan penghantaran data yang dilaksanakan menggunakan antena berkedudukan tinggi pada lokasi dan jarak yang sama pula, menunjukkan RSSI -79 dBm dengan margin pautan 41 dB. Ini menunjukkan potensi peningkatan jarak penghantaran data untuk kajian seterusnya. Pasa masa ini, sistem ini telah disahkan kepenggunaanya bagi segmen pagar elektrik pendek dengan kepanjangan 50 m, manakala penghantaran data secara berkesan dihadkan pada 1.3 km dalam persekitaran kampus. Had ini menunjukkan, wujud keperluan bagi kerja-kerja penambah baikan bagi meningkatkan kadar keberkesanan melalui ujian berskala lapangan pada masa depan. Sistem ini menyediakan penyelesaian kejuruteraan yang praktikal untuk Jabatan Perlindungan Hidupan Liar dan Taman Negara Semenanjung Malaysia (PERHILITAN), dengan aplikasi langsung pada Sistem Pagar Elektrik Gajah (SPEG) bagi mitigasi HEC. Kajian ini juga menunjukkan potensi bagi penggunaan konsep Pemantauan Kesihatan Struktur (SHM) berasaskan IoT pada masa hadapan dalam infrastruktur luar bandar.
2026-01-11
Chau Ly Thi Huyen, Chi Pham Quyet, Quyen Thi Nguyen
Vehicle identification and classification are among the challenging activities for the management and control of a large number of different vehicles moving in the inner city. Among many identification and classification systems, the YOLO algorithm stands out for its ability to analyze at high speed and with high accuracy. The algorithm is continually evolving, with notable versions including YOLOv8. This research presents a method for identifying and classifying vehicles using the YOLOv8 algorithm. The assessment of the proposed method's effectiveness was conducted using two COCO datasets (328,000 images) and a real-world dataset from Ho Chi Minh City (HCMC) with more than 1,000 images. The findings indicate that the proposed method can be applied to identify and classify vehicles with an accuracy of 93%-98%. Comparative results with prior studies also demonstrate the superiority of the YOLOv8 algorithm. ABSTRAK: Pengecaman dan pengelasan kenderaan adalah salah satu aktiviti mencabar dalam pengurusan dan kawalan sejumlah besar kenderaan berbeza yang bergerak di bandar. Di antara kebanyakan sistem pengecaman dan pengelasan, algoritma YOLO menonjol kerana keupayaannya menganalisa pada kelajuan berketepatan tinggi. Algoritma ini terus dibangunkan dengan penambahbaikan yang banyak dan versi yang ketara ialah YOLOv8. Penyelidikan ini membentangkan kaedah mengenal pasti dan mengelaskan kenderaan menggunakan algoritma YOLOv8. Penemuan penilaian keberkesanan kaedah yang dicadangkan telah dijalankan menggunakan dua set data COCO dengan 328,000 imej dan set data sebenar di Ho Chi Minh City (HCMC) lebih daripada 1,000 imej. Dapatan kajian menunjukkan kaedah ini diaplikasikan dalam mengenal pasti dan pengelasan kenderaan berketepatan 93% hingga 98%. Hasil perbandingan dengan kajian lepas juga menunjukkan keunggulan algoritma YOLOv8.
2026-01-11
Muji Juherwin, Mohamad Farid Misnan, Sakhiah Abdul Kudus, Akihiko Sato
Efficient energy management is essential for sustaining outdoor hydroponics systems powered by solar energy, particularly in tropical island environments where sunlight and rainfall vary throughout the day. To address this, a solar-powered hydroponics system was developed with an adaptive energy balance control strategy based on the State of Charge (SoC). The system requires reliable real-time monitoring and decision-making, achieved by integrating voltage, current (ACS712), light-dependent resistors (LDR), and flow sensors, along with an ESP32 microcontroller for data acquisition and control logic. The adaptive control method dynamically regulates power consumption by adjusting the water pump's operation in response to SoC levels, solar radiation, and rainfall. Experimental validation shows the system maintains the battery’s SoC above 55%, ensuring power availability while optimizing energy use. Pump operation is disabled during rainfall and minimized at night to prevent deep discharge, enhancing overall system stability. Daytime solar charging is complemented by controlled discharge during non-solar hours, improving energy sustainability. The results confirm the effectiveness of the proposed strategy in reducing unnecessary energy consumption, improving system reliability, and supporting continuous hydroponic cultivation under varying tropical conditions. ABSTRAK: Pengurusan tenaga yang cekap amat penting bagi memastikan kelestarian sistem hidroponik luar yang menggunakan tenaga solar, terutama di kawasan pulau tropika yang mempunyai corak cahaya matahari dan perubahan hujan sepanjang hari. Bagi memenuhi keperluan ini, satu sistem hidroponik berkuasa solar telah dibangunkan dengan strategi kawalan imbangan tenaga adaptif berasaskan State of Charge (SoC). Sistem ini memerlukan pemantauan masa nyata dan keupayaan membuat keputusan terpercayai, dicapai melalui integrasi penderia voltan, arus (ACS712), LDR (Rintangan Peka Cahaya), dan aliran, serta mikropengawal ESP32 bagi pemerolehan data dan logik kawalan. Kaedah kawalan adaptif ini mengatur penggunaan tenaga secara dinamik dengan melaras operasi pam air berdasarkan tahap SoC, intensiti cahaya matahari, dan keadaan hujan. Dapatan kajian menunjukkan sistem ini mampu mengekalkan SoC bateri melebihi 55%, sekaligus memastikan bekalan kuasa yang stabil sambil mengoptimum penggunaan tenaga. Operasi pam dihentikan semasa hujan dan dikurangkan pada waktu malam bagi mengelakkan nyahcas bateri berlebihan, seterusnya meningkatkan kestabilan sistem. Pengecasan bateri pada waktu siang dilengkapi dengan penyahcasan terkawal semasa tanpa cahaya matahari, sekaligus memperkukuh kemampanan tenaga. Dapatan kajian membuktikan bahawa strategi kawalan ini berkesan dalam mengurangkan penggunaan tenaga tidak diperlukan, meningkatkan kebolehpercayaan sistem, dan menyokong penanaman hidroponik berterusan dalam persekitaran tropika yang dinamik.
2026-01-11
Oskar Natan, Wiwit Suryanto, Andi Dharmawan, Rifda Hakima Sari, Zaidan Hakim
This paper presents research and development of an Autonomous Underwater Vehicle (AUV), named ORCA, to perform underwater missions independently without human intervention. ORCA plays a vital role in challenges that test robots' abilities in navigation, exploration, and interaction with the aquatic environment. Using advanced design tools, the AUV is meticulously designed in Inventor and manufactured via CNC machining, laser cutting, and 3D printing. We concentrate on the vehicle's design, manufacturing processes, control systems, PID controllers, and vision systems. Subsequently, the research and development effort is expanded to incorporate critical functionalities, including environmental perception, object detection, deep learning algorithms, and path-planning strategies. The culmination of this research has produced an AUV capable of autonomous underwater navigation, effective obstacle avoidance, efficient object detection, and precise payload manipulation using a gripper mechanism. ORCA has a comprehensive sensor suite comprising a BNO055 IMU, an MS5803-14BA pressure sensor for depth measurement, and a Logitech C525 camera for image processing. The system integration not only enhances the vehicle's operational capabilities but also represents a significant advancement in underwater robotics. ABSTRAK: Kajian ini membentangkan penyelidikan dan pembangunan Kenderaan dalam Air Berautonomi (AUV) yang dikenali sebagai ORCA, dibangunkan bagi tujuan misi bawah air secara autonomi tanpa sebarang campur tangan manusia. ORCA memainkan peranan penting dalam menghadapi cabaran menguji kebolehan robot dalam aspek navigasi, penerokaan, serta interaksi dengan persekitaran akuatik. Dengan memanfaatkan alat reka bentuk yang canggih, AUV ini direka bentuk dengan teliti menggunakan perisian Inventor dan dihasilkan melalui teknik pemesinan CNC, pemotongan laser, dan percetakan 3D. Penekanan utama dalam penyelidikan ini adalah pada reka bentuk kenderaan, proses pembuatan, sistem kawalan, pengawal PID, serta sistem penglihatan. Selain itu, penyelidikan dan pembangunan ini turut diperluaskan bagi menyertakan fungsi-fungsi kritikal seperti persepsi persekitaran, pengesanan objek, algoritma pembelajaran mendalam, dan strategi perancangan laluan. Dapatan kajian ini telah menghasilkan AUV yang mampu melaksanakan navigasi bawah air secara autonomi, menghindari halangan dengan berkesan, mengesan objek dengan cekap, serta mengendali beban dengan tepat menggunakan mekanisme pemegang. ORCA dilengkapi dengan suit pengesan yang komprehensif, termasuk pengesan IMU BNO055, pengesan tekanan MS5803-14BA bagi pengukuran kedalaman, serta kamera Logitech C525 bagi pemprosesan visual. Integrasi sistem ini bukan sahaja meningkatkan keupayaan operasi kenderaan tetapi juga mewakili satu langkah penting dalam perkembangan robotik bawah air.
2026-01-11
Md. Morsalin, Ragab A. Sayed, Md. Sazedur Rahman, Md. Ferdous Wahid, Mohammad Salah
Halide perovskite materials, particularly lead-based CH 3 NH 3 PbI 3 , have garnered significant attention in the PV industry for their exceptional efficiency in solar cell applications. However, due to the toxicity of lead, research interest has shifted toward Sn-based alternatives. This study explores a lead-free Sn-based perovskite solar cell (PSC) with the structure ITO/TiO 2 /CH 3 NH 3 SnI 3 /CBTS/Ni, where CH 3 NH 3 SnI 3 (MASnI 3 ) serves as the absorber material, TiO? as the electron transport layer (ETL), Cu 2 BaSnS 4 (CBTS) as the hole transporting layer (HTL). Device performance is analyzed using the SCAPS-1D simulation software. The impact of key performance-determining parameters, including the thickness, doping density, and defect density of the absorber, ETL, and HTL, has been accounted for. The proposed PSC architecture, optimized for key performance-determining parameters, achieves a power conversion efficiency PCE (?) of 27.28%, an open-circuit voltage (V OC ) of 1.0283 V, a fill factor (FF) of 83.62%, and a short-circuit current density (J SC ) of 31.72 mA/cm 2 . This study examines the influence of interface defect density, shunt and series resistances, back-contact metal work function, and operating temperature on the performance of PSCs. Furthermore, the analysis includes current density-voltage (J-V) and quantum efficiency (QE) characteristics to provide a comprehensive evaluation of the effectiveness of the proposed PSC. ABSTRAK : Bahan perovskit halida, khususnya CH?NH?PbI? berasaskan plumbum, telah menarik perhatian besar dalam industri fotovolta (PV) berikutan kecekapan tinggi dalam aplikasi sel suria; namun, isu ketoksikan plumbum telah mengalih tumpuan penyelidikan kepada alternatif berasaskan timah (Sn). Kajian ini meneroka sel suria perovskit (PSC) bebas plumbum berasaskan Sn dengan seni bina ITO/TiO?/CH?NH?SnI?/CBTS/Ni, di mana CH?NH?SnI? (MASnI?) bertindak sebagai bahan penyerap, TiO? sebagai lapisan pengangkut elektron (ETL), dan Cu?BaSnS? (CBTS) sebagai lapisan pengangkut lubang (HTL). Prestasi peranti dianalisa menggunakan perisian simulasi SCAPS-1D dengan mengambil kira parameter penentu prestasi utama, termasuk ketebalan, ketumpatan pendopan, dan ketumpatan kecacatan bagi lapisan penyerap, ETL dan HTL. Seni bina PSC yang dicadangkan, selepas pengoptimuman parameter, mencapai kecekapan penukaran kuasa (PCE) sebanyak 27.28%, voltan litar terbuka (V_OC) 1.0283 V, faktor pengisian (FF) 83.62%, dan ketumpatan arus litar pintas (J_SC) 31.72 mA/cm². Kajian ini turut menilai pengaruh ketumpatan kecacatan antara muka, rintangan siri dan pirau, fungsi kerja logam sentuhan belakang, serta suhu operasi terhadap prestasi PSC. Di samping itu, analisis ciri ketumpatan arus–voltan (J–V) dan kecekapan kuantum (QE) disertakan bagi memberikan penilaian menyeluruh terhadap keberkesanan sel suria perovskit yang dicadangkan.
2026-01-11
Tooba Khan, Muhammad Zeeshan Ul Haque, Gul Munir, Irfan Ahmed Usmani
Skin cancer is one of the most common malignancies worldwide, where early detection significantly improves treatment outcomes. While deep learning models show promise for automated skin lesion classification, their lack of interpretability limits clinical adoption. This study presents a comprehensive comparative analysis of three convolutional neural networks, ResNet-50, GoogLeNet, and SqueezeNet, for binary skin lesion classification (benign vs. malignant), integrating three explainable AI (XAI) methods (Grad-CAM, LIME, and Occlusion Sensitivity) to enhance clinical interpretability. We trained and evaluated these architectures on the Kaggle Skin Cancer dataset, which contains 2,637 dermoscopic images (1,440 benign, 1,197 malignant). Transfer learning employed ImageNet pre-trained weights with two-stage fine-tuning. Performance was assessed using accuracy, precision, recall, F1-score, specificity, and AUC-ROC metrics. ResNet-50 achieved the highest accuracy of 91.36% with an excellent AUC of 0.9721, demonstrating superior balanced performance. GoogLeNet achieved 88.94% accuracy with 73% fewer parameters, offering an optimal accuracy-efficiency trade-off. The proposed lightweight CNN, despite having the fewest parameters (1.2M), achieved 85.45% accuracy and a malignancy detection sensitivity of 92.7%, making it well-suited for screening applications. Training times ranged from 1.5 minutes (SqueezeNet) to 3 minutes 39 seconds (ResNet-50), demonstrating feasibility for resource-constrained settings. All XAI methods successfully generated clinically meaningful explanations, with models consistently focusing on lesion centers, color variations, and irregular borders. This study demonstrates that combining deep learning with XAI enables accurate and interpretable skin cancer detection. ResNet-50 is well-suited to well-resourced clinical settings, GoogLeNet offers balanced performance for resource-constrained deployments, and SqueezeNet enables mobile telemedicine applications with superior sensitivity. ABSTRAK : Kanser kulit merupakan antara malignansi yang paling lazim di seluruh dunia, dan pengesanan awal terbukti dapat meningkatkan keberkesanan rawatan secara signifikan. Walaupun model pembelajaran mendalam menunjukkan potensi tinggi dalam pengelasan automatik lesi kulit, kekurangan kebolehinterpretasian telah mengehadkan penerimaan klinikal. Kajian ini membentangkan analisis perbandingan menyeluruh terhadap tiga rangkaian neural konvolusi, iaitu ResNet-50, GoogLeNet, dan SqueezeNet, bagi pengelasan binari lesi kulit (jinak vs. malignan), digabungkan dengan tiga kaedah kecerdasan buatan boleh jelas (XAI), iaitu Grad-CAM, LIME, dan Kepekaan Halangan, bagi menyokong interpretasi klinikal. Model dilatih dan dinilai menggunakan set data Kanser Kulit Kaggle yang mengandungi 2,637 imej dermoskopi, dengan menggunakan pembelajaran pindahan berasaskan pemberat pralatih ImageNet dan penalaan halus dua peringkat. Penilaian prestasi menggunakan metrik ketepatan, ketepatan ramalan, kepekaan, skor F1, pengkhususan, dan AUC-ROC menunjukkan bahawa ResNet-50 mencapai prestasi tertinggi dengan ketepatan 91.36% dan AUC 0.9721, manakala GoogLeNet menawarkan keseimbangan optimum antara ketepatan dan kecekapan dengan pengurangan parameter sebanyak 73%. SqueezeNet, walaupun paling ringan, mencapai kepekaan pengesanan malignan tertinggi sebanyak 92.7%, menjadikannya sesuai untuk aplikasi saringan dan teleperubatan mudah alih. Semua kaedah XAI berjaya menghasilkan penjelasan bermakna secara klinikal, dengan fokus konsisten pada pusat lesi, variasi warna, dan sempadan tidak sekata. Secara keseluruhan, kajian ini membuktikan bahawa penggabungan pembelajaran mendalam dan XAI membolehkan pengesanan kanser kulit yang tepat, boleh ditafsir, dan sesuai dalam pelbagai kekangan sumber klinikal.