JEPIN (Jurnal Edukasi dan Penelitian Informatika)
Not a member yet
363 research outputs found
Sort by
Pemilihan Kata Benda Bahasa Indonesia Berdasarkan Cakupan Suku Kata Menggunakan Genetic Algoritma untuk Dataset Audio Visual
Full text linkDalam pembentukan model Kecerdasan Buatan yang menggunakan pendekatan Deep Learning, dataset memegang peranan yang sangat penting. Memahami dan memilih kumpulan data yang tepat, sangatlah penting untuk memastikan keberhasilan sebuah model Kecerdasan Buatan. Salah satu topik yang cukup baru adalah mempelajari bagaimana pembentukan suara dari hasil pembacaan gerakan bibir manusia, dengan cakupan variasi bunyi dan bentuk bibir yang diharapkan dapat membantu pembelajaran sistem. Mayoritas dataset audio visual, yang biasa digunakan untuk pembangunan model pembentukan suara ataupun pembacaan gerakan bibir tidak memperhatikan keluasan cakupan variasi bunyi yang ada. AVID, salah satu dari dataset audio visual berbahasa Indonesia, mengadopsi susunan kata dalam dataset GRID, yang mengubah setiap kata penyusunnya dari Bahasa Inggris ke bahasa Indonesia. Sedangkan pada Bahasa Indonesia sendiri terdapat banyak ragam bunyi yang dibentuk dari satu atau sederet rangkaian fonem. Penelitian yang dilakukan penulis dengan memanfaatkan Genetic Algorithm untuk mendapatkan susunan kombinasi kata benda guna memperoleh nilai cakupan yang optimal. Dengan cakupan kombinasi suku kata yang lebih baik, maka dapat dihasilkan dataset untuk Deep Learning yang lebih baik lagi. Dalam penelitian ini, kata benda yang diproses, diperoleh dari KBBI edisi 2008, baru kemudian difilter untuk mendapatkan kata benda yang tepat mengandung 3 suku kata, yang bukan nama kota, tokoh maupun lokasi. Dari 39.070 kata benda yang ada, diperoleh 2936 kata benda yang akan digunakan. Ujicoba yang telah dilakukan pada 10.000 hingga 200.000 epoch, diperoleh rata-rata cakupan suku kata 72%-75% dengan batasan 26 variasi kata benda penyusunnya
Social Network Analysis untuk Identifikasi Pengguna Twitter Berpengaruh pada Topik Bencana Gempa dan Tsunami di Indonesia
Full text linkIndonesia merupakan negara yang rawan terjadi bencana alam seperti gempa dan tsunami. Seiring dengan perkembangan teknologi, arus informasi mengenai kebencanaan juga mengalir di media sosial seperti Twitter. Penggunaan Twitter dalam kaitannya dengan kebencanaan telah banyak diteliti antara lain untuk penyebarluasan informasi, alat manajemen dan pengurangan resiko, pemantauan aktivitas tanggap darurat, dan lain-lain. Penelitian ini bertujuan untuk mengidentifikasi pengguna twitter berpengaruh khusus untuk topik bencana gempa dan tsunami di Indonesia dengan menggunakan Social Network Analysis (SNA) dengan dan tanpa mempertimbangkan faktor frequency dan engagement. Hasil SNA tanpa mempertimbangkan faktor frequency dan engagement menunjukkan bahwa pengguna Twitter yang dinilai paling berpengaruh pada topik bencana gempa dan tsunami adalah situs berita seperti detikcom dengan influence score sebesar 0,77. Sedangkan jika mempertimbangkan faktor frequency dan engagement menunjukkan bahwa pengguna Twitter yang dinilai paling berpengaruh pada topik bencana gempa dan tsunami adalah akun infoBMKG dengan indeks influence score sebesar 0,63. Berdasarkan hasil penelitian ini ditemukan bahwa BMKG telah berperan penting dalam pemberian informasi mengenai bencana gempa bumi dan tsunami di Indonesia dan mendapatkan kepercayaan luas dari masyarakat yang ditunjukkan dengan adanya engagement yang lebih tinggi dibandingkan akun lainnya
Honeypot-as-a-Service dengan Kubernetes Cluster
Full text linkHoneypot merupakan salah satu strategi yang digunakan untuk melindungi jaringan dari serangan siber. Honeypot digunakan untuk menarik penyerang agar menyerang honeypot tersebut daripada perangkat-perangkat jaringan. Namun, penggunaan honeypot masih jarang terjadi di tingkat korporat maupun individu karena membutuhkan tenaga profesional dan infrastruktur khusus untuk mengelolanya selama implementasi. Berdasarkan permasalahan ini, peneliti mengusulkan solusi Software-as-a-Service (SaaS) yang disebut Honeypot-as-a-Service (HaaS). HaaS adalah layanan honeypot berbasis cloud yang dikelola oleh orkestrasi kontainer Kubernetes Cluster. Penggunaan Kubernetes Cluster dirancang untuk mengotomatiskan konstruksi, penjadwalan, pemeliharaan, dan penghapusan honeypot berkontainer. Otomatisasi ini dimaksudkan untuk membantu pelanggan yang ingin menggunakan sistem pertahanan berbasis honeypot dalam jaringan mereka tanpa harus menjalankan honeypot mereka sendiri. Pengguna dapat mendaftar akun dan mengonfigurasi honeypot menggunakan dashboard yang langsung terhubung ke cloud honeypot. Sistem ini sedang dikembangkan di lingkungan pusat data Departemen Keamanan Siber dari Politeknik Siber dan Sandi Negara, yang dikelola dengan manajemen virtualisasi Proxmox Virtual Environment. Komponen-komponen dari sistem HaaS terdiri dari honeypot di Kubernetes Cluster, HaaS-proxy, dan HaaS Dashboard. Sistem yang telah dibuat kemudian diuji availability, performance, functionality, and scenario. Hasil evaluasi sistem menunjukkan bahwa sistem HaaS membutuhkan pengembangan lebih lanjut. Meskipun ketersediaan dan performa sistem HaaS telah memenuhi kriteria layanan berbasis cloud, namun fungsionalitas sistem tidak memenuhi standar layanan SaaS secara umum. Namun, honeypot dibangun untuk memenuhi tujuan honeypot dalam menarik penyerang
Deteksi Malware Ransomware Berdasarkan Panggilan API dengan Metode Ekstraksi Fitur N-gram dan TF-IDF
Full text linkRansomware merupakan ancaman malware yang paling menakutkan saat ini karena memiliki kemampuan mengenkripsi data, selain itu jumlah serangan ransomware yang terus meningkat mengakibatkan kerugian yang tidak sedikit. Penanganan atas serangan ini semakin sulit dilakukan dikarenakan varian ransomware yang terus berkembang. Dibutuhkan suatu sistem yang mampu mendeteksi ransomware bahkan untuk varian ransomware terbaru. Melalui penelitian ini kami membuat suatu sistem yang mampu mendeteksi ransomware dan normalware menggunakan metode machine learning dengan memanfaatkan data panggilan API dari ransomware dan normalware. Pada penelitian ini kami hanya melakukan binary classification untuk semua varian ransomware yang terdeteksi. Proses ekstraksi fitur terlebih dilakukan dengan metode N-gram dan TF-IDF pada panggilan API untuk membentuk subset fitur yang digunakan dalam proses pembelajaran model. Pembuatan model deteksi dilakukan dengan melatih data panggilan API dari beberapa varian ransomware. Pengujian model dilakukan baik terhadap varian ransomware yang sudah dilatih sebelumnya maupun varian ransomware diluar data latih. Proses pembelajaran model dilakukan untuk mencari kesamaan fitur dari data panggilan API berbagai varian ransomware pada data latih, kesamaan fitur ini akan dimanfaatkan untuk mendeteksi varian lain dari ransomware diluar data latih. Hasil penelitian menunjukkan bahwa akurasi rata-rata model terhadap varian ransomware dalam data latih adalah 94% dengan skor error rate tertinggi 10%. Adapun hasil deteksi ransomware untuk varian diluar data latih menunjukkan akurasi rata-rata 83% dengan skor error rate tertinggi 30%. Sehingga dengan demikian model yang dibuat pada penelitian ini dapat digunakan untuk mendeteksi ransomware meskipun varian dari ransomware mengalami perkembangan
Pemanfaatan Smart Contract dalam Transformasi Supply Chain melalui Teknologi Blockchain
Full text linkSaat ini, keterbatasan informasi mengenai keaslian produk masih mengemuka, memicu penyebaran produk palsu secara tidak terkontrol di masyarakat. Supply chain, sebagai elemen integral, memiliki peran sentral dalam memberikan pemahaman signifikan kepada konsumen terkait produk yang mereka konsumsi. Teknologi blockchain dalam manajemen rantai pasok menawarkan transparansi, yang dapat secara substansial meningkatkan kepercayaan konsumen terhadap produk yang dipilihan. Namun, penerapan teknologi blockchain dalam rantai pasok saat ini masih terbatas, dan minimnya pemahaman tentang blockchain menjadi hambatan utama. Penelitian ini bertujuan untuk menyajikan informasi komprehensif mengenai produk dalam rantai pasok serta memanfaatkan teknologi blockchain melalui smart contract. Melalui penerapan sistem berbasis teknologi blockchain dalam rantai pasok, pengguna akan memperoleh informasi yang substansial dan komprehensif mengenai produk yang mereka akuisisi dan gunakan. Hasil evaluasi yang menunjukkan kepuasan konsumen secara keseluruhan sebesar 89,64%. Sistem ini sangat membantu bagi konsumen pada saat memutuskan untuk membeli sebuah produk dengan mengetahui informasi yang lengkap dan transparan terkait produk. Dalam hal ini, penerapan teknologi blockchain dengan smart contract meningkatkan keyakinan konsumen bahwa produk yang mereka beli autentik dan aman. Teknologi blockchain dengan smart contract menjadi solusi efektif dalam menanggulangi masalah produk palsu dan meningkatkan transparansi rantai pasok. Teknologi blockchain memungkinkan penyediaan informasi yang aman dan tidak dapat diubah, sedangkan smart contract memfasilitasi transaksi otomatis dan transparan tanpa perantara
Uji Nilai Akurasi pada Neural Machine Translation (NMT) Bahasa Indonesia ke Bahasa Tiochiu Pontianak dengan Mekanisme Attention Bahdanau
Full text linkMesin penerjemah merupakan cabang penting dari pemrosesan bahasa alami yang bertujuan untuk menerjemahkan bahasa alami menggunakan komputer. Mesin penerjemahan statistik sudah banyak diuji dalam kasus terjemahan bahasa lokal/daerah oleh penelitian di Indonesia. Penelitian mesin penerjemahan neural beberapa tahun belakangan ini, terus menjadi pilihan dalam mesin penerjemahan yang bahkan sampai saat ini sudah diterapkan pada google. Mesin penerjemah dimanfaatkan sebagai usaha dalam membudidayakan suatu bahasa lokal/daerah untuk komputasi, supaya bahasa tersebut tidak hilang karena pengaruh bahasa dilingkungan tempat tinggal yang berbeda-beda. Dalam pengujian ini mekanisme yang digunakan dalam mesin terjemahan neural adalah mekanisme attention Bahdanau dari uji akurasi penerjemahan Bahasa Indonesia ke Bahasa Tiochiu. Mekanisme attention Bahdanau muncul sebagai pengujian peningkatan akurasi terbaik saat ini berkat penggunaan rumus skor attentionnya. Adapun pengujian bahasa alami yang digunakan adalah kalimat bahasa Indonesia diterjemahkan ke kalimat bahasa Tiochiu Pontianak dengan mekanisme Attention Bahdanau pada Mesin Penerjemah Neural. Data korpus pararel yang diuji adalah 500 kalimat dengan data latih adalah 4500 kalimat. Perlunya dilakukan penelitian terhadap mekanisme attention untuk nilai akurasi tertinggi berdasarkan nilai skor BLUE dan ahli bahasa. Langkah-langkah yang digunakan dalam menguji dan mendapatkan nilai akurasi skor BLEU mekanisme attention dimulai dari metode membagi data uji secara validasi k-fold cross sebanyak 10 data uji dan masing-masing data uji tersebut dilatih sebanyak tujuh kali pengujian dari jumlah epoch kelipatan 10. Setelah didapatkan skor nilai akurasinya dari pelatihan sebanyak 70 kali tersebut dihitung dan dicari rata-rata nilai akurasi tertinggi didasarkan jumlah epoch didapatkan serta uji manual oleh ahli bahasa dengan mengambil sampel dari data uji yang memiliki akurasi tertinggi tersebut. Hasil uji mekanisme mesin terjemahan neural dengan attention Bahdanau yang didapatkan terdapat pada sampel uji6. Rata-rata nilai akurasi paling tinggi sebesar 18,41% pada epoch 50, dan uji oleh ahli bahasa pada 167 kalimat terjemahan memperoleh nilai akurasi sebesar 54,51%. Serta uji otomatis BLEU paling tinggi dengan pengujian k-fold cross validation pada sampel uji6 dengan jumlah epoch 50 sebesar 24,26%. Nilai akurasi otomatis BLEU tertinggi pada sampel Uji6 dengan tanpa Attention Bahdanau sebesar 12,41%. Sehingga dapat disimpulkan bahwa dengan mekanisme Attention Bahdanau adalah tingkat hasil akurasi yang terbaik
Optimasi Hyperparameter pada Neural Network (Studi Kasus: Identifikasi Komentar Cyberbullying Instagram)
Full text linkInstagram adalah salah satu media sosial yang populer di Indonesia dan memiliki resiko terjadinya cyberbullying, sehingga klasifikasi komentar cyberbullying perlu dilakukan menggunakan text mining. Model klasifikasi yang dibangun pada penelitian ini menggunakan Neural Network dengan arsitektur Multilayer Perceptron dan dilatih dengan algoritma Backpropagation. Bayesian Optimization digunakan untuk melakukan optimasi hyperparameter, dengan hyperparameter yang dioptimasi adalah hidden layer, learning rate, dan momentum. Dilihat dari hasil evaluasi, performa dari model Neural Network dengan optimasi hyperparameter lebih baik daripada Neural Network yang hanya menggunakan default hyperparameter. Dimana model Neural Network dengan default hyperparameter mengalami overfitting dan menghasilkan nilai akurasi sebesar 81,38%, sedangkan model dengan optimasi hyperparameter tidak mengalami overfitting dan mengalami kenaikan akurasi dibandingkan dengan model Neural Network tanpa optimasi hyperparameter dengan model dengan tiga hyperparameter yang dioptimasi yaitu hidden layer, learning rate, dan momentum mengalami kenaikan akurasi sebesar 2,5%, model dengan optimasi hyperparameter pada hidden layer dan pada learning rate masing-masing mengalami kenaikan akurasi yang sama, yaitu sebesar 2,37%, dan model dengan optimasi hyperparameter pada momentum mengalami kenaikan akurasi sebesar 2%. Hasil penelitian ini menunjukkan bahwa hidden layer, learning rate, dan momentum ketika di optimasi secara bersamaan memiliki pengaruh besar dalam mencegah overfitting, menaikan akurasi, dan memiliki waktu eksekusi yang baik daripada dioptimasi secara terpisah
Rekayasa Sistem Fotosintesis dan Ekosistem pada Media Aquascape Berbasis Internet Of Things
Full text linkAquascape adalah seni mengatur dan merancang taman air yang meniru lingkungan alami dalam sebuah akuarium atau kolam. Terdapat permasalahan pada aquascape yaitu tanaman pada aquascape memerlukan cahaya yang cukup untuk berfotosintesis. Kemudian air harus tetap jernih, bersih dan pH air tetap terjaga. Hal-hal tersebut berdampak pada pertumbuhan tanaman pada ekosistem aquascape. Pada penelitian ini dibuatlah rekayasa sistem fotosintesis, pengaturan suhu, penyaringan dan pergantian air pada aquascape berbasis IoT. Sistem ini dapat menyalakan lampu sesuai kebutuhan dari tanaman air. Kemudian dapat mengatur suhu air yang datanya didapat dari sensor suhu dan dapat melakukan penyaringan air apabila air sudah keruh pada batas tertentu, dan pergantian air apabila air mengalami kekeruhan diatas ambang dan pH air yang sudah tidak normal. Sistem pemantauan dibuat agar dapat diberi peringatan untuk diberikan perawatan sehingga tanaman air tetap tumbuh dan terawat serta kejernihan air tetap terjaga demi menjaga estetika pada aquascape tersebut
Implementasi Deep learning untuk Identifikasi Daun Tanaman Obat Menggunakan Metode Transfer learning
Full text linkTanaman obat adalah tanaman yang memiliki khasiat untuk digunakan sebagai obat penyembuhan atau pencegahan berbagai penyakit. Pemanfaatan tanaman obat di Indonesia sudah sangat umum dilakukan oleh masyarakat sejak zaman dahulu. Pengetahuan tentang tanaman obat juga diwariskan oleh nenek moyang sejak dulu. Tanaman obat memiliki bentuk daun yang hampir serupa antara satu tanaman dengan tanaman lainnya, terutama dari bentuk morfologi daun. Hal ini membuat beberapa masyarakat memiliki kekeliruan dalam mengidentifikasi daun tanaman obat. Dalam beberapa dekade terakhir, deep learning telah menjadi metode yang populer untuk mengidentifikasi objek. Deep learning memiliki kemampuan untuk dapat mengidentifikasi objek dengan tepat, sehingga sangat cocok digunakan untuk mengidentifikasi daun tanaman obat. Pada penelitian ini, metode transfer learning digunakan untuk mengidentifikasi tanaman obat. Transfer learning menggunakan model yang telah dilatih sebelumnya, sehingga dapat digunakan untuk data yang lebih sedikit dan memiliki waktu komputasi yang relatif lebih cepat. Pretrained model yang digunakan pada penelitian ini adalah MobileNetV2. Pada penelitian ini, teknik fine tune diterapkan untuk meningkatkan performa model. Beberapa percobaan dilakukan dengan parameter yang berbeda seperti epoch dan layer fine tune untuk mendapatkan hasil terbaik. Hasil penelitian ini mendapatkan akurasi 99% untuk training, 98% untuk validasi, dan 94% untuk pengujian
Analisis Segmentasi Leukosit pada Acute Myeloid Leukemia dengan Active Contour Without Edge dan Watershed Distance Transform
Full text linkAcute myeloid leukemia (AML) adalah salah satu tipe kanker darah yang mengakibatkan sumsum tulang tidak dapat menghasilkan sel leukosit jenis myeloid yang matang. Pada dasarnya diagnosa penyakit AML menggunakan basis perhitungan jumlah persentase relatif sel leukosit dalam darah. Kesalahan dalam perhitungan jumlah sel dapat berimbas pada kurang tepatnya diagnosa yang dibuat. Dalam pemrosesan citra apusan darah secara digital, salah satu hal yang masih menjadi kendala adalah sel darah yang saling bersinggungan dan bahkan tumpang tindih. Penelitian ini mengusulkan perpaduan algoritma active contour without edge (ACWE) yang dikombinasikan dengan watershed distance transform (WDT) untuk dapat mengatasi permasalahan objek sel darah yang tumpang tindih. ACWE digunakan untuk melakukan segmentasi objek sel darah berbasis perhitungan inside energy dan outside energy sementara WDT diimplementasikan sebagai algoritma pemisah objek dengan memanfaatkan memanfaatkan transformasi jarak dari setiap piksel ke nilai piksel non-zero terdekat. Hasil penelitian menunjukkan dari total 876 objek sel leukosit, terdapat 734 objek yang dapat disegmentasi dengan baik dan sisanya sebanyak 142 objek masih belum dapat diseparasi dengan tepat. Nilai ini menunjukkan bahwa perpaduan algoritma ACWE dan WDT dapat memisahkan 83,789% objek sel leukosit dari citra AML M1, M2 dan M3