Publication Search

This study implements the Damerau-Levenshtein algorithm for an Indonesian spelling checking and correction system based on the distance editing approach. The main objective of this study is to develop a system capable of automatically detecting and correcting spelling errors at the character level through a matching process against the KBBI dictionary and the Indonesian corpus. The methods used include data collection, text pre-processing, system design, and implementation of the Damerau-Levenshtein algorithm which includes insertion, deletion, substitution, and transposition operations. Testing was conducted using 25 test data consisting of standard words and modified words for typographical errors. The results show that the system is able to measure all test data with an accuracy level of 100% on a limited dataset. In addition, the average Damerau-Levenshtein Distance value of 0.84 indicates that most errors are in the light category. Evaluation using a confusion matrix produces precision, recall, and F1-score values ​​of 100% each. These results indicate that the Damerau-Levenshtein algorithm is effective in handling character-based spelling errors. However, the system still has limitations in handling complex semantic contexts and language variations. Therefore, further research is recommended to integrate language model-based approaches to improve the system's accuracy and generalization on real-world data.

This study implements the Damerau-Levenshtein algorithm for an Indonesian spelling checking and correction system based on the distance editing approach. The main objective of this study is to develop a system capable of automatically detecting and correcting spelling errors at the character level through a matching process against the KBBI dictionary and the Indonesian corpus. The methods used include data collection, text pre-processing, system design, and implementation of the Damerau-Levenshtein algorithm which includes insertion, deletion, substitution, and transposition operations. Testing was conducted using 25 test data consisting of standard words and modified words for typographical errors. The results show that the system is able to measure all test data with an accuracy level of 100% on a limited dataset. In addition, the average Damerau-Levenshtein Distance value of 0.84 indicates that most errors are in the light category. Evaluation using a confusion matrix produces precision, recall, and F1-score values ​​of 100% each. These results indicate that the Damerau-Levenshtein algorithm is effective in handling character-based spelling errors. However, the system still has limitations in handling complex semantic contexts and language variations. Therefore, further research is recommended to integrate language model-based approaches to improve the system's accuracy and generalization on real-world data.

Penelitian ini mengkaji transformasi strategis manajemen risiko finansial melalui penerapan Digital Twins (DT) dengan pendekatan Systematic Literature Review (SLR). DT berevolusi dari sekadar model manufaktur menjadi sistem cerdas yang mampu memprediksi perilaku entitas finansial secara real-time. Hasil kajian menunjukkan bahwa DT mendukung kerangka Prevention, Preparedness, Response, Recovery (PPRR), memperkuat resiliensi rantai pasok, serta meningkatkan efektivitas stress testing perbankan sesuai regulasi Basel III. Selain itu, DT berperan dalam deteksi penipuan, akuntansi karbon, dan simulasi kebijakan makroekonomi. Studi ini menegaskan bahwa DT mampu meningkatkan akurasi prediksi risiko hingga 95% dan mengurangi downtime operasional sebesar 20%. Namun, keterbatasan standar global, integrasi data lintas sistem, serta hambatan regulasi masih menjadi tantangan utama. Agenda riset masa depan diarahkan pada pengembangan interoperabilitas global, integrasi teknologi AI, serta evaluasi ROI jangka panjang untuk memperkuat ketahanan finansial berbasis DT.

Transformasi digital dalam sistem pembayaran telah mengubah lanskap pengelolaan keuangan Usaha Mikro, Kecil, dan Menengah (UMKM). Penelitian ini bertujuan mengeksplorasi pengaruh penggunaan pembayaran digital terhadap praktik pengelolaan arus kas dan transparansi keuangan UMKM. Pendekatan kualitatif dengan desain studi kasus multipel diterapkan, melibatkan 14 pemilik/manajer UMKM di Kota Semarang yang dipilih melalui purposive sampling. Data dikumpulkan melalui wawancara semi-terstruktur, observasi non-partisipan, dan analisis dokumen, kemudian dianalisis menggunakan kerangka Miles, Huberman, dan Saldaña. Hasil penelitian mengungkapkan bahwa pembayaran digital mentransformasi pengelolaan arus kas melalui percepatan settlement (85,7%), otomatisasi pencatatan (92,8%), dan peningkatan efisiensi biaya (78,6%). Transparansi keuangan meningkat melalui ketersediaan audit trail digital (100%), pemisahan keuangan pribadi-usaha (71,4%), dan akurasi pencatatan (85,7%). Permintaan pelanggan dan kemudahan penggunaan menjadi pendorong utama, sementara gangguan konektivitas dan keterbatasan literasi digital menjadi penghambat. Penelitian ini memperkaya literatur adopsi fintech dengan perspektif kualitatif mengenai dampak pasca-adopsi pembayaran digital terhadap pengelolaan keuangan UMKM.

Pengunaan peralatan elektromedik merupakan faktor krusial dalam pemantauan kesehatan bayi dan anak terutama pada akurasi hasil yang di peroleh. Sesuai dari data yang didapat bahwa mitra telah memiliki sarana medis dasar yang memadai, namun diperlukan standarisasi manajemen pemeliharaan untuk menjaga fungsionalitas alat dalam jangka panjang. Kegiatan pengabdian masyarakat ini bertujuan untuk memperkuat kapasitas teknis para pengasuh dalam pengoperasian dan perawatan peralatan medis secara mandiri. Metode yang digunakan meliputi pemetaan kondisi alat (inventarisasi), sosialisasi prosedur teknis, serta simulasi praktik pemeliharaan preventif. Hasil kegiatan menunjukkan adanya peningkatan pemahaman praktis pengasuh mengenai aspek teknis alat, seperti perawatan mandiri, perawatan sensor oximeter, dan manajemen penyimpanan perangkat elektronik. Sebagai bentuk keberlanjutan program, telah disusun "Buku Saku SOP Perawatan Peralatan Medis" yang berfungsi sebagai panduan operasional harian bagi staf pengasuh. Luaran dari pengabdian ini memberikan dampak positif bagi mitra berupa tersedianya panduan sistem perawatan yang lebih terorganisir. Simpulan dari kegiatan ini menunjukkan bahwa integrasi antara edukasi teknis dan penyediaan panduan tertulis mampu mengoptimalkan masa pakai alat medis serta menjamin validitas hasil pemeriksaan kesehatan anak. Sinergi ini diharapkan dapat menjadi model bagi lembaga sosial dalam mewujudkan layanan kesehatan mandiri yang berkualitas

Health services at the Puskesmas (Community Health Center) are an important sector directly related to the community. However, there are still various challenges in patient data management and handling complaints that can hinder service efficiency. One of the efforts to improve service quality is by developing a complaint information system that can efficiently manage and record patient complaints. This study aims to develop a complaint information system for services at the Puskesmas Waimangura using the Prototype method. This method was chosen because of its ability to produce system prototypes that can be immediately tested and developed according to user needs. The system is designed to allow patients to submit complaints related to the services received, as well as enabling Puskesmas staff to follow up on and record each complaint systematically. With the implementation of this system, it is expected to increase efficiency in managing complaint data, speed up problem resolution processes, and improve accuracy in recording patient and complaint data. The results of prototype testing show that this system simplifies the complaint process and provides convenience for staff in following up on patient complaints. The implementation of this information system is expected to improve the quality of services at Puskesmas Waimangura and accelerate responses to issues faced by patients.

Perkembangan kecerdasan buatan (AI) mendorong inovasi dalam analisis keuangan, termasuk prediksi harga saham yang fluktuatif. Penelitian ini bertujuan memprediksi harga saham PT Garudafood Putra Putri Jaya Tbk menggunakan model ARIMA dengan penanganan Outlier sebagai pendekatan awal menuju sistem prediksi yang lebih adaptif. Data harga penutupan harian dari Yahoo Finance dianalisis melalui uji stasioneritas, identifikasi model ARIMA, deteksi Outlier berbasis log-return, serta evaluasi performa menggunakan RMSE, MAE, dan MAPE. Hasil penelitian menunjukkan bahwa ARIMA Outlier memberikan performa lebih baik dibandingkan ARIMA dasar. ARIMA standar menghasilkan MAPE 1.32% dan AIC –899.46, sedangkan ARIMA dengan tiga dummy Outlier mencapai MAPE 1.16% dan AIC –900.37. Peramalan 14 hari ke depan menunjukkan pola yang stabil pada kisaran Rp 370–371. Pada data uji, ARIMA dasar memberikan akurasi terbaik pada pertengahan Agustus, sedangkan ARIMA Outlier mencapai akurasi tertinggi pada akhir Agustus dengan prediksi Rp 370.2 yang sangat dekat dengan harga aktual Rp 370.4. Hasil ini menunjukkan bahwa penanganan Outlier meningkatkan ketepatan model, sehingga ARIMA Outlier dapat digunakan sebagai fondasi awal menuju pengembangan sistem prediksi keuangan berbasis AI.

Penelitian ini bertujuan untuk mengimplementasikan sistem Supply Chain Management (SCM) dalam pengelolaan persediaan sembako di Toko Grosir Rohman guna meningkatkan efisiensi operasional dan mengatasi permasalahan kehabisan atau kelebihan stok. Metode penelitian yang digunakan adalah kualitatif dengan pendekatan studi kasus, melalui observasi, wawancara, dan dokumentasi. Sistem SCM yang dirancang berbasis website menggunakan PHP dan MySQL, dengan pemodelan UML untuk menganalisis kebutuhan dan perancangan sistem. Hasil dari implementasi sistem menunjukkan peningkatan akurasi data stok, efisiensi dalam proses pemesanan, serta tersedianya informasi real-time yang membantu pengambilan keputusan. Dengan sistem ini, Toko Grosir Rohman mampu mengelola persediaan sembako secara lebih optimal, meningkatkan kepuasan pelanggan, dan memperkuat daya saing usaha.

Aritmia merupakan gangguan irama jantung yang umum terjadi pada lansia dan dapat menimbulkan risiko kesehatan serius jika tidak terdeteksi secara dini. Penelitian yang dilakukan bertujuan untuk mengidentifikasi aritmia pada lansia menggunakan algortima K- Nearest Neighbor (KNN) berdasarkan data elektrokardiogram (EKG). Data yang digunakan berjumlah 105 data EKG lansia yang diperoleh dalam format CSV. Proses awal melibatkan pembersihan dan normalisasi data menggunakan metode StandardScaler, serta pelabelan awal menggunakan algoritma K-Means Clustering untuk mengelompokkan data ke dalam dua kelas: Normal dan Sangat Berpotensi Aritmia. Data kemudian dibagi menjadi 70% data latih dan 30% data uji dengan metode stratified split untuk menjaga proporsi label. Model KNN dilatih dengan parameter k = 3, dan dievaluasi menggunakan confusion matrix serta classification report. Hasil pengujian menunjukkan akurasi model sebesar 97% dengan nilai precision dan recall yang tinggi pada kedua kelas. Hasil ini menunjukkan bahwa algoritma KNN efektif dalam mengklasifikasikan kondisi aritmia pada lansia dan memiliki potensi untuk diterapkan dalam sistem pendukung diagnosis berbasis data EKG.

Deteksi nyeri secara objektif merupakan tantangan penting dalam dunia medis, terutama bagi pasien yang tidak mampu menyampaikan rasa sakitnya secara verbal, seperti bayi, lansia, atau penderita gangguan komunikasi. Teknologi non- invasif berbasis sensor menjadi solusi potensial untuk mengatasi keterbatasan metode subjektif. Penelitian ini bertujuan meninjau secara sistematis literatur terkini mengenai penerapan Radar MIMO dan algoritma kecerdasan buatan dalam deteksi nyeri non-invasif. Metode yang digunakan adalah Systematic Literature Review (SLR) dengan pedoman PRISMA 2020, melalui penelusuran basis data IEEE Xplore, ScienceDirect, PubMed, Google Scholar, dan SpringerLink untuk periode 2021– 2025. Dari hasil seleksi diperoleh 17 artikel inklusi yang mencakup penggunaan Radar MIMO, UNBC-McMaster, BioVid, Medical Imaging (CT/MRI), Radar SISO, serta studi review, survey, bibliometrik, dan teoretis. Dari sisi algoritma, CNN dan SVM menjadi pendekatan paling dominan, diikuti Neural Network dan metode lain, dengan tren yang mengarah pada penggunaan multimodal untuk meningkatkan akurasi. Hasil penilaian kualitas dengan GRADE menunjukkan mayoritas studi berkualitas sedang, dengan keterbatasan utama pada ukuran sampel kecil, pelabelan nyeri yang belum konsisten, bias populasi, serta kurangnya validasi klinis nyata. Kesimpulannya, Radar MIMO dan algoritma deep learning memiliki potensi besar untuk deteksi nyeri non-invasif. Namun, penelitian lanjutan perlu difokuskan pada pembangunan dataset yang lebih inklusif, standarisasi pelabelan nyeri, serta pengujian dalam konteks klinis, dengan memperhatikan aspek etika dan privasi agar teknologi ini dapat diimplementasikan secara luas dalam layanan kesehatan.

Penelitian ini dilakukan untuk menganalisis dan membandingkan sentimen pelanggan terhadap lima restoran Sunda di Kota Bogor menggunakan metode Aspect-Based Sentiment Analysis (ABSA) berbasis Fine-Tuning IndoBERT. Ulasan pelanggan di platform digital seperti Google Review berpengaruh besar terhadap citra dan keputusan konsumen, sementara jumlah ulasan yang besar sulit dijelaskan secara manual. Data penelitian diperoleh dari 3.232 ulasan Google Review dan diproses menjadi 3.010 data yang dikelompokkan berdasarkan lima aspek utama, yaitu makanan, pelayanan, harga, suasana, dan fasilitas. Metode Fine-Tuning IndoBERT digunakan untuk mengklasifikasikan sentimen positif, netral, dan negatif, dengan evaluasi melalui metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa model memiliki performa sangat baik dengan akurasi tertinggi sebesar 97,51% pada aspek pelayanan dan terendah 92,52% pada aspek makanan, serta nilai F1-score makro di atas 0,91. Analisis menunjukkan bahwa Bumi Aki unggul pada aspek makanan dan fasilitas, Saung Abah pada pelayanan, Saung Kuring pada harga, dan Gumati pada suasana. Hasil penelitian ini menunjukkan bahwa Fine-Tuning IndoBERT efektif dalam memahami opini pelanggan berbahasa Indonesia dan dapat menjadi acuan bagi pelaku usaha kuliner dalam meningkatkan kualitas layanan.

Flower disease detection is a common challenge in modern agriculture. Various factors, such as changes in leaf color, shape, petal structure, and environmental conditions, make it difficult to achieve high accuracy with conventional models. Transfer learning is an effective solution to improve model performance in image detection, especially when available data is limited. This study used several pre-trained models, namely VGG16, ResNet50, and EfficientNet-B0, to detect three types of flower diseases: black spot on roses, white powdery mildew, and leaf rust. The process included data processing, increasing the data volume, model training, and result verification. The results showed that the EfficientNet-B0 model provided the highest accuracy of 97.2%, significantly better than the CNN model created from scratch with an accuracy of 85.1%. This study proves that the transfer learning method is very effective in improving the accuracy of flower disease detection. These results confirm that transfer learning is effective for detecting plant diseases with higher accuracy, especially when the dataset is limited.  

The increasing volume of online hotel reviews provides valuable insights into customer perceptions but poses challenges for manual analysis due to its unstructured nature. This study aims to compare the performance of Recurrent Neural Network (RNN) and Bidirectional Encoder Representations from Transformers (BERT) in hotel review sentiment analysis. A total of 20,491 TripAdvisor hotel reviews were classified into three sentiment categories: negative, neutral, and positive. The research methodology includes text preprocessing, stratified data splitting, class imbalance handling using Random Over-Sampling, tokenization, and supervised model training. Model performance was evaluated using a confusion matrix and classification metrics. The results indicate that BERT outperforms RNN, achieving an accuracy of 80.54%, while RNN reached 62.21%. BERT demonstrated superior capability in capturing contextual and semantic information in hotel reviews. These findings suggest that transformer-based models are more effective for sentiment analysis of complex textual data in the hospitality domain and can support data-driven service improvement strategies.    

Flower disease detection is a significant challenge in modern agriculture, particularly with factors such as changes in leaf color, petal shape and structure, and environmental conditions affecting the accuracy of conventional models. These factors make it difficult to achieve optimal results using traditional methods. Transfer learning is an effective solution to improve image detection performance, especially when data is limited. This study used several pre-trained models, namely VGG16, ResNet50, and EfficientNet-B0, to detect three types of flower diseases: black spot on roses, white powdery mildew, and leaf rust. The research process included data processing, increasing the data volume using augmentation techniques, model training, and evaluation of the results. Experimental results showed that the EfficientNet-B0 model produced the highest accuracy of 97.2%, significantly better than the CNN model built from scratch with an accuracy of 85.1%. This study demonstrates that transfer learning is highly effective in improving the accuracy of flower disease detection, making it a more reliable alternative to methods that do not utilize pre-trained models, especially for agricultural applications that require high levels of accuracy in disease detection.

Penelitian ini bertujuan untuk mengembangkan sistem telemetri guna memantau kinerja panel surya pada beberapa lokasi dengan menggunakan komunikasi jarak jauh dan platform Internet of Things (IoT). Metode pemantauan konvensional memiliki keterbatasan dalam menyediakan data secara real-time pada area yang luas, sehingga evaluasi kinerja jarak jauh menjadi kurang efisien. Untuk mengatasi permasalahan tersebut, dirancang sebuah sistem pemantauan menggunakan mikrokontroler ESP32, sensor INA219 untuk mengukur tegangan dan arus, modul GPS Neo-M8 untuk identifikasi lokasi, modul Real-Time Clock (RTC) DS3231 untuk pencatatan waktu, serta modul LoRa RA-02 sebagai media komunikasi nirkabel. Setiap node pengirim dilengkapi dengan modul MicroSD untuk menyimpan data pengukuran secara lokal. Data hasil pengukuran dikirimkan melalui LoRa ke unit penerima dan ditampilkan secara real-time pada platform Thinger.io. Hasil kalibrasi menunjukkan bahwa sensor INA219 memiliki rata-rata galat pengukuran arus sebesar 0,71% dan galat pengukuran tegangan sebesar 0,1%. Pengujian GPS menunjukkan koordinat lokasi yang stabil dengan tingkat akurasi sekitar ±3 hingga ±8 meter. Seluruh data pengukuran berhasil dikirim, disimpan, dan ditampilkan tanpa kehilangan data yang signifikan. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu menyediakan pemantauan parameter panel surya secara jarak jauh yang andal dan efisien dalam kondisi lapangan.

Penelitian ini bertujuan merancang dan mengembangkan Sistem Informasi Penjualan berbasis web untuk Gerai Oleh-Oleh Bali yang selama ini masih menggunakan pencatatan manual dengan buku besar dan perhitungan menggunakan kalkulator. Sistem manual tersebut menyebabkan risiko kesalahan pencatatan, lambatnya proses pencarian data, serta kesulitan dalam pengarsipan data penjualan, pembelian, pemesanan, dan pengelolaan stok barang. Penelitian menggunakan metode pengembangan perangkat lunak Waterfall dengan pendekatan pemodelan Unified Modeling Language (UML). Tahapan yang dilakukan meliputi analisis kebutuhan melalui wawancara dengan pemilik gerai, perancangan sistem (Use Case Diagram dan Class Diagram), implementasi, pengujian unit, pengujian sistem menggunakan metode black-box testing, serta tahap pemeliharaan (maintenance). Sistem yang dibangun mencakup fitur login, dashboard, pengelolaan data master (supplier dan barang), transaksi penjualan dengan dukungan scan barcode, transaksi pembelian, laporan penjualan dan pembelian, serta pengelolaan user. Hasil pengujian black-box menunjukkan seluruh test case berstatus Valid dan sistem berfungsi sesuai harapan. Pada tahap maintenance dilakukan contoh corrective maintenance dengan perbaikan bug pada query laporan penjualan harian.Sistem informasi penjualan berbasis web yang dihasilkan mampu mempercepat proses transaksi, mengurangi kesalahan manusia, meningkatkan akurasi data, serta memudahkan pengelolaan stok dan pembuatan laporan secara real-time. Implementasi sistem ini memberikan solusi efektif bagi Gerai Oleh-Oleh Bali dalam meningkatkan efisiensi operasional dan interaksi dengan pelanggan.

Abstract Kebakaran merupakan salah satu bencana yang dapat mengancam keselamatan jiwa dan harta benda, khususnya di lingkungan hunian padat seperti rumah kos. Kos Putri Kanaya Projo merupakan salah satu kos putri di Ungaran Timur, Kabupaten Semarang, yang berisiko tinggi mengalami kebakaran akibat kelalaian penghuni dalam penggunaan peralatan listrik maupun kompor gas. Penelitian ini bertujuan untuk merancang dan membangun sistem pendeteksi kebakaran dini berbasis mikrokontroler dengan dukungan teknologi Internet of Things (IoT).  Sistem dikembangkan menggunakan mikrokontroler ESP32 yang terhubung dengan sensor MQ-2 (asap/gas), sensor PIR (api), dan sensor DHT22 (suhu/kelembapan). Output sistem berupa notifikasi peringatan pada aplikasi Blynk, buzzer sebagai alarm suara, serta tampilan informasi melalui LCD. Metode penelitian yang digunakan adalah prototyping dengan tahapan perancangan, implementasi, pengujian, serta penyempurnaan sistem. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi asap, gas, suhu tinggi, dan api dengan akurasi di atas 90% serta memberikan notifikasi peringatan melalui aplikasi Blynk dengan waktu respon kurang dari 10 detik. Dengan demikian, sistem ini efektif sebagai solusi deteksi dini kebakaran pada lingkungan kos sehingga dapat meningkatkan keamanan dan meminimalisir risiko kerugian material maupun korban jiwa

This service activity was carried out in the Domestic Trade Sector, Central Java Provincial Industry and Trade Office with the aim of supporting the data collection process and updating the prices of basic necessities. This activity focuses on providing accurate and up-to-date price data as the basis for making price stabilization policies by local governments. The implementation of activities includes observation of the internal data collection system, daily price data input, data validation, and preparation of price development reports. In addition, the service team also coordinates with field officers and market managers to ensure the completeness of information and consistency of the data received. The technical assistance process related to the use of data collection application tools is also carried out to improve the competence of apparatus in managing information more effectively. The results of the activity show that systematic data updates are able to improve administrative efficiency, database accuracy, and support decision-making processes related to regional economic stability. Furthermore, the availability of more reliable price data allows local governments to detect potential price fluctuations early and formulate more timely and targeted intervention steps.

This literature study evaluates the accuracy of the Slope Mass Rating (SMR) method for coal mine slope stability in Indonesia through a systematic descriptive synthesis of 25 empirical studies from 2020 to 2025. The objectives of the study were to identify the level of SMR prediction accuracy, factors affecting the method's performance, and modifications required for local Indonesian conditions. The research method involved a systematic search with inclusion criteria for empirical studies reporting SMR and/or Safety Factor (SF) values ​​for coal mines and associated slopes in Indonesia. Quantitative analysis showed a range of reported SMR values ​​between 41 and 96 with a median of 72, while SF values ​​ranged from 1.137 to 4.09 for normal operational conditions. The synthesis results indicated that SMR provides a consistent stability classification for initial slope design and failure mode identification (planar, wedge, toppling), with historical validation showing a correlation of up to 91.23% between SMR-based hazard zoning and actual field events in some cases. Key limitations include dependence on discontinuity data quality, sensitivity to groundwater conditions and tropical weathering, and variation in the interpretation of adjustment factors F1-F4. Modifications such as NAAF23 and integration with numerical modeling have been shown to improve prediction reliability. It is recommended that coal mining practitioners combine SMR with kinematic analysis and limit equilibrium modeling as standard operating procedures, and develop adjustment factors specific to Indonesian geological conditions. Further research should focus on standardizing parameter reporting and cross-site quantitative validation to enable more robust statistical meta-analyses.  

Rapid and precise handling in determining fault locations is essential to accelerate post-fault recovery and minimize economic losses caused by power outages. Several methods employed to identify fault locations include Single Ended and Double Ended analysis. This paper discusses the Selective Mode Double Ended Fault Locator Method, an enhancement of the IEEE C37.114 Double Ended method. This approach involves selecting maximum fault data values for Near Side (NS) and Far Side (FS) calculations, taking into account the differential or angle difference of the sequence between the two sides. The Double Ended calculation results from the total sample values are used to determine the mode, which serves as the final output of this Fault Locator method. This method is designed to identify faults and their locations with high accuracy and speed. Based on the research findings, the Selective Mode Double Ended (SMDE) method provides more accurate fault locator analysis compared to the Single Ended and Double Ended methods. The accuracy achieved with the Single Ended method is 90.9%, with the Double Ended method reaching 94.9%, and with the Selective Mode Double Ended (SMDE) method achieving 99.9%.