Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Dalam kehidupan kita sehari-hari umumnya banyak barang yang kita butuhkan dan gunakan dalam rumah tangga kita. Mulai dari bahan pangan, minuman, barang untuk membersihkan rumah, barang untuk mencuci pakaian, kudapan, dan lain sebagainya, Pada masyarakat kini banyak barang keperluan sehari-hari tersebut kita beli dan jumpai di berbagai tempat mulai dari warung di dekat rumah, supermarket, toko sembako, dan lain sebagainya. Akhir-akhir ini jumlah supermarket dan minimarket mulai menjamur. Pada tahun 2021 jumlah minimarket di Indonesia mencapai 38.323 gerai yang merupakan peningkatan sebanyak 21,7% dibandingkan pada tahun 2017 yakni hanya sebanyak 31.488 gerai saja. Dengan jumlah gerai yang semakin banyak, banyak masyarakat yang semakin banyak menggunakan jasanya untuk mendapatkan barang-barang kebutuhan sehari-hari mereka. Apalagi bila barang yang dibeli juga cukup banyak sehingga akan sulit untuk mendata barang-barang apa saja yang telah dibeli. Untuk memudahkan hal tersebut, penulis mengajukan sebuah solusi untuk membuat sebuah rancangan sistem yang akan memanfaatkan teknologi Deep Learning untuk mendeteksi tulisan pada struk belanja dari hasil pembelian barang pada minimarket. Hasilnya dari pengujian yang sudah dilakukan pada penelitian ini, masing-masing model Deep Learning memiliki tingkat akurasi mAP50 99,4% dan mAP50:95 72,9% untuk YOLOv5, tingkat akurasi mAP50 99,61% dan mAP50:95 65,19% untuk Faster R-CNN, dan tingkat akurasi mAP50 61,77% dan mAP50:95 98,09% untuk RetinaNet. Dimana YOLOv5 memiliki tingkat akurasi mAP50:95 tertinggi yakni 72,9% dan Faster R-CNN memiliki tingkat akurasi mAP50 tertinggi yakni 99,61%. Dimana pada proses implementasi sistem YOLOv5 dan Faster R-CNN berhasil melakukan proses pengenalan sedangkan RetinaNet gagal untuk melakukannya.

---

In our daily lives, we generally need and use many items in our households. Starting from food ingredients, drinks, household cleaning items, laundry items, snacks, and so on. Nowadays, many of these daily necessities are bought and found in various places such as small shops near our homes, supermarkets, grocery stores, and so on. Recently, the number of supermarkets and minimarkets has increased. In 2021, the number of minimarkets in Indonesia reached 38,323 branches which is an increase of 21.7% compared to 2017 which was only 31,488 branches. With the increasing number of branches, many people are using their services to obtain their daily necessities. Especially when the purchased items are quite a lot so it will be difficult to record what items have been purchased. To facilitate this matter, the author proposes a solution to create a system design that will utilize Deep Learning technology to detect writing on receipts from purchasing items at minimarkets. The results of testing that have been carried out in this study show that each Deep Learning model has an mAP50 accuracy level of 99.4% and mAP50:95 72.9% for YOLOv5, an mAP50 accuracy level of 99.61% and mAP50:95 65.19% for Faster R-CNN, and an mAP50 accuracy level of 61.77% and mAP50:95 98.09% for RetinaNet. YOLOv5 has the highest mAP50:95 accuracy rate at 72.9%, while Faster R-CNN has the highest mAP50 accuracy rate at 99.61%. Where in the implementation process, YOLOv5 and Faster R-CNN systems were able to perform recognition processes while RetinaNet failed to do so."

"Pelayanan di supermarket merupakan salah satu hal yang menjadi pertimbangan seseorang dalam menentukan kualitas dari sebuah supermarket. Antrian di supermarket merupakan salah satu penentu dari kualitas layanan yang dimiliki. Antrian tersebut dapat disebabkan berbagai hal, salah satunya adalah lamanya kasir dalam menyelesaikan transaksi yang dilakukan. Semakin lama transaksi berlangsung, semakin lama waktu yang dibutuhkan untuk dibutuhkan seorang pelanggan sehingga menyebabkan antrian terjadi. Salah satu penyebab lamanya transaksi dapat disebabkan karena proses pemindaian produk yang membutuhkan waktu cukup lama. Oleh karena itu, dengan membuat model pemindaian barcode yang cepat dan efisien berbasis deep learning menggunakan object detection, harapannya dapat membuat proses transaksi menjadi lebih cepat sehingga antrian yang terjadi dapat dikurangi. Dalam penilitian ini, model sistem akan membandingkan antara performa model YOLOv5 dengan Faster R-CNN yang kemudian ditambahkan image enhancement (Super Resolution) untuk dibandingkan dengan tujuan mencari tahu performa dan akurasinya. Hasil pengujian model pada tahap pelatihan menunjukkan model YOLOv5 merupakan model yang lebih akurat dan efisien dengan akurasi Mean Average Precission (mAP) sebesar 81,74%, penggunaan waktu pelatihan sebesar 1,6448 jam, dan loss pada epoch/step terakhir sebesar 0,0208. Hasil pengujian model menggunakan image enhancement (super resolution) menunjukkan peningkatan kualitas decode dari 67% menjadi sebesar 75,5% atau peningkatan sebesar 8,5% dengan super resolution tipe RRDB_PSNR. Kemudian hasil pengujian augmentasi rotasi pada pendeteksian barcode diagonal menunjukan peningkatan sangat signifikan dari 2% menjadi 80%. Pada pengujian terakhir dimana dataset yang digunakan sudah dilakukan augmentasi. Model yang di training memiliki penurunan dari mAP yang dihasilkan menjadi 71,7% dari yang sebelumnya sebesar 81,74% atau penurunan sekitar 10,04%

---

Service in supermarkets is one of the things that a person considers in determining the quality of a supermarket. Queues at supermarkets are one of the determinants of the quality of service they have. The queue can be caused by various things, one of which is the length of time the cashier completes the transaction. The longer the transaction lasts, the longer it will take for a customer to cause a queue to occur. One of the reasons for the length of the transaction can be due to the product scanning process which takes a long time. Therefore, by creating a fast and efficient barcode scanning model based on deep learning using object detection, it is hoped that it can make the transaction process faster so that queues that occur can be reduced. In this research, the system model will compare the performance of the YOLOv5 model with Faster R-CNN which is then added with image enhancement (Super Resolution) for comparison with the aim of finding out its performance and accuracy. The results of model testing at the training stage show that the YOLOv5 model is a more accurate and efficient model with an accuracy of Mean Average Precision (mAP) of 81.74%, training time usage of 1.6448 hours, and loss in the last epoch/step of 0.0208. The results of model testing using image enhancement (super resolution) show an increase in decoding quality from 67% to 75.5% or an increase of 8.5% with super resolution of type RRDB_PSNR.Then the results of the rotational augmentation test on diagonal barcode detection showed a very significant increase from 2% to 80%. In the last test where the dataset used has been augmented. The training model has a decrease from the resulting mAP to 71.7% from the previous 81.74% or a decrease of about 10.04%.

"

"Pengukuran viskositas zat cair merupakan aspek penting dalam berbagai industri. Dalam mengukur viskositas suatu cairan umumnya menggunakan viskometer bola jatuh. Namun penggunaan viskometer bola jatuh memiliki kekurangan dalam ketelitian dalam menentukan kecepatan terminal bola ketika mencapai kedalaman tertentu. Dalam penelitian ini, penulis merancang pendekatan baru yang menggabungkan teknologi pengolahan video dengan metode deep learning, khususnya algoritma You Only Look Once (YOLO), untuk mengukur viskositas zat cair secara efisien dan akurat. Pendekatan ini memungkinkan pengukuran viskositas dilakukan dengan menggunakan kamera sederhana, yang secara otomatis menganalisis pergerakan jatuhnya kelereng dalam suatu fluida. Penulis melatih model deep learning menggunakan dataset video jatuhnya bola pada suatu cairan yang diambil secara langsung menggunakan kamera smartphone, dan menunjukkan bahwa pendekatan ini mampu menghasilkan pengukuran viskositas yang akurat dengan waktu perhitungan yang lebih cepat dibandingkan menggunakan viskometer bola jatuh. Hasil percobaan menunjukkan bahwa model YOLO mampu mendeteksi 11 objek dari total 25 gambar dengan presisi 0,99 dan konsistensi tinggi (mAP50-95 sebesar 0,86). Model ini efektif dalam mendeteksi jatuhnya kelereng, dengan waktu pemrosesan per gambar yang cepat. Meskipun beberapa frame tidak terdeteksi, model menunjukkan akurasi tinggi dalam memprediksi viskositas dengan MAE sebesar 0,13, menjadikannya andal dan efisien untuk pengukuran viskositas dalam aplikasi industri dan laboratorium.

---

Viscosity measurement of liquid substances is an important aspect in various industries. The traditional method of measuring viscosity is by using a falling ball viscometer. However, this method has limitations in accurately determining the terminal velocity of the ball at a certain depth. In this research, the author designed a new approach that combines video processing technology with deep learning methods, specifically the You Only Look Once (YOLO) algorithm, to measure the viscosity of liquid substances efficiently and accurately. This approach allows viscosity measurement to be done using a simple camera, which automatically analyzes the movement of a marble falling in a fluid. The author trained a deep learning model using video datasets of the falling ball in a liquid captured directly using a smartphone camera, and demonstrated that this approach can produce accurate viscosity measurements with faster calculation time compared to using a falling ball viscometer. The experimental results demonstrated that the YOLO model accurately detected 11 objects out of 25 images with a precision of 0,99 and a consistent mAP50-95 score of 0,86. Applied to 7 video frames, it processed images quickly with times of 1,9 ms for preprocessing, 45,7 ms for inference, and 0,6 ms for post-processing. Despite some frames missing detections, the model achieved a high accuracy in predicting viscosity with a Mean Absolute Error (MAE) of 0,13, making it reliable for various industrial and laboratory applications."

"Pengukuran viskositas zat cair merupakan aspek penting dalam berbagai industri. Dalam mengukur viskositas suatu cairan umumnya menggunakan viskometer bola jatuh. Namun penggunaan viskometer bola jatuh memiliki kekurangan dalam ketelitian dalam menentukan kecepatan terminal bola ketika mencapai kedalaman tertentu. Dalam penelitian ini, penulis merancang pendekatan baru yang menggabungkan teknologi pengolahan video dengan metode deep learning, khususnya algoritma You Only Look Once (YOLO), untuk mengukur viskositas zat cair secara efisien dan akurat. Pendekatan ini memungkinkan pengukuran viskositas dilakukan dengan menggunakan kamera sederhana, yang secara otomatis menganalisis pergerakan jatuhnya kelereng dalam suatu fluida. Penulis melatih model deep learning menggunakan dataset video jatuhnya bola pada suatu cairan yang diambil secara langsung menggunakan kamera smartphone, dan menunjukkan bahwa pendekatan ini mampu menghasilkan pengukuran viskositas yang akurat dengan waktu perhitungan yang lebih cepat dibandingkan menggunakan viskometer bola jatuh. Hasil percobaan menunjukkan bahwa model YOLO mampu mendeteksi 11 objek dari total 25 gambar dengan presisi 0,99 dan konsistensi tinggi (mAP50-95 sebesar 0,86). Model ini efektif dalam mendeteksi jatuhnya kelereng, dengan waktu pemrosesan per gambar yang cepat. Meskipun beberapa frame tidak terdeteksi, model menunjukkan akurasi tinggi dalam memprediksi viskositas dengan MAE sebesar 0,13, menjadikannya andal dan efisien untuk pengukuran viskositas dalam aplikasi industri dan laboratorium.

---

Viscosity measurement of liquid substances is an important aspect in various industries. The traditional method of measuring viscosity is by using a falling ball viscometer. However, this method has limitations in accurately determining the terminal velocity of the ball at a certain depth. In this research, the author designed a new approach that combines video processing technology with deep learning methods, specifically the You Only Look Once (YOLO) algorithm, to measure the viscosity of liquid substances efficiently and accurately. This approach allows viscosity measurement to be done using a simple camera, which automatically analyzes the movement of a marble falling in a fluid. The author trained a deep learning model using video datasets of the falling ball in a liquid captured directly using a smartphone camera, and demonstrated that this approach can produce accurate viscosity measurements with faster calculation time compared to using a falling ball viscometer. The experimental results demonstrated that the YOLO model accurately detected 11 objects out of 25 images with a precision of 0,99 and a consistent mAP50-95 score of 0,86. Applied to 7 video frames, it processed images quickly with times of 1,9 ms for preprocessing, 45,7 ms for inference, and 0,6 ms for post-processing. Despite some frames missing detections, the model achieved a high accuracy in predicting viscosity with a Mean Absolute Error (MAE) of 0,13, making it reliable for various industrial and laboratory applications."

"Pengelasan TIG adalah salah satu metode pengelasan yang dapat diterapkan pada logam non-ferrous. Otomatisasi proses pengelasan TIG harus memberikan hasil las yang lebih hemat biaya dan kualitas yang lebih tinggi di lingkungan produksi divisi manufaktur. Penelitian ini bertujuan untuk menerapkan metode deep learning pada optimalisasi TIG Welding dengan mengolah hasil pengelasan dengan Convolutional Neural Networks (CNN). Dengan menggunakan dua jaringan saraf YOLOv5 dan ResNet50 yang berbeda, penulis akan memiliki empat metode klasifikasi citra yang berbeda dengan ResNet50, deteksi dan klasifikasi objek YOLOv5, kombinasi deteksi objek YOLOv5 dan ResNet50, dan klasifikasi ResNet50 menggunakan preprocessing center-crop. Penelitian ini akan mengidentifikasi hasil pengelasan dengan memberi label pada gambar sebagai “Weld Bagus” atau “Weld Buruk”, kelas las yang baik tidak memiliki cacat, sedangkan kelas las yang buruk memiliki cacat retak, terbakar, porositas, dll. Berdasarkan penelitian ini metode terbaik adalah kombinasi antara YOLOv5 dan ResNet50 neural network dengan akurasi 96%, loss 4%, presisi 93,1%. Metode dengan menggunakan ResNet50 klasifikasi memiliki akurasi 46%, loss 54%, dan presisi 0%. Metode YOLOv5 objek deteksi dan klasifikasi memiliki akurasi 94,34%, loss 5,66%, dan presisi 100%. Metode ResNet50 klasifikasi dengan center-crop pre-processing memiliki akurasi 82%, loss 18%, dan presisi 87,5%. Variasi dan jumlah data mempengaruhi pelatihan dan pengujian data.

---

TIG welding is one of the welding methods that can be applied to non-ferrous metals. TIG welding process automation should deliver more cost-effective, higher-quality welds in a manufacturing division's production environment. This study aims to apply deep learning methods to optimize TIG Welding by processing welding results with Convolutional Neural Networks (CNN). By using two different YOLOv5 and ResNet50 neural networks, the author will have four different image classification methods with ResNet50, YOLOv5 object detection and classification, a combination of YOLOv5 and ResNet50 object detection, and ResNet50 classification using center-crop preprocessing. This study will identify the results of welding by labeling the image as “Good Weld” or “Bad Weld”, a good welding class has no defects, while a bad welding class has cracking, burning, porosity defects, etc. Based on this research, the best method is a combination of YOLOv5 and ResNet50 neural network with 96% accuracy, 4% loss, 93.1% precision. The method using ResNet50 classification has 46% accuracy, 54% loss, and 0% precision. The YOLOv5 object detection and classification method has an accuracy of 94.34%, loss of 5.66% and precision of 100%. The ResNet50 method of classification with center-crop pre-processing has an accuracy of 82%, loss of 18% and precision of 87.5%. Variation and amount of data affect the training and testing of data."

"Kemajuan umat manusia dalam penerbangan modern sangat bergantung pada kemampuan untuk melakukan pemodelan sistem idenifikasi penerbangan dari suatu wahana pernerbangan. Pemodelan suatu sistem identifikasi penerbangan bergantung dengan tingkat kualitas dan kuantitas dari data simulasi yang digunakan untuk mendapatkan pendekatan situasi dan kondisi penerbangan aktual yang seakurat mungkin. Akurasi dan presisi dari data simulasi yang digunakan dalam pemodelan sistem penerbangan akan mempengaruhi hasil algoritma yang digunakan dalam sistem identifikasi. Dalam pencapaian kualitas data tersebut, digunakanlah perangkat lunak X-Plane yang berfungsi sebagai simulator penerbangan ultra-realistis yang menyuplai set data yang memungkinkan pembelajaran mesin dari algoritma berbasis komputer. Data pembelajaran pesawat terbang terdiri dari attitude orientasi pesawat. Data yang diperoleh dari simulator tersebut akan diproseskan menggunakan metode preprocessing, sehingga layak digunakan untuk pelatihan sistem identifikasi. Suatu algoritma artificial neural network diterapkan untuk mengidentifikasi sistem pesawat dengan mempelajari dataset yang disebutkan di atas, yang kemudian akan digunakan dalam pengembangan perancangan sistem kontrol. Algoritma artificial neural network yang dirancang dalam penelitian ini telah menunjukkan keberhasilan dalam sistem identifikasi untuk sistem penerbangan pesawat, dan siap digunakan dalam percobaan dan pengujian sistem kontrol pada pesawat.

---

Humanitys progress in modern aviation is very dependent on the ability to model the flight identification system of a flight vehicle. Modeling a flight identification system depends on the quality and quantity of simulation data used to get the most accurate representation of the actual flight situation and condition. The accuracy and precision of the simulation data used in the flight system modeling will affect the results of the algorithm used in the identification system. In achieving this data quality, X-Plane software is used which functions as an ultra realistic flight simulator that supplies data sets that enable machine learning from computer based algorithms. Airplane learning data consists of airplane orientation attitude. Data obtained from the simulator will be processed using the preprocessing method, so it is feasible to use for identification system training. An artificial neural network algorithm is applied to identify aircraft systems by studying the dataset mentioned above, which will then be used in the development of control system design. The artificial neural network algorithm designed in this study has shown success in the identification system for aircraft flight systems, and is ready to be used in the testing and testing of control systems on aircraft."

"Peningkatan jumlah kendaraan beserta pelanggaran lalu lintas setiap tahunnya membuat semakin sulit bagi pihak berwenang untuk mendeteksi dan menindak pelanggaran tersebut. Salah satu pelanggaran yang menantang untuk dideteksi adalah penggunaan plat palsu pada mobil. Implementasi Intelligent Transportation System (ITS) dalam sistem lalu lintas dapat memberikan kontribusi signifikan dalam mendeteksi jenis pelanggaran ini. Beberapa studi sebelumnya telah sukses menerapkan ITS untuk mendeteksi dan mengklasifikasikan kendaraan menggunakan deep learning, memberikan solusi dalam penanganan pelanggaran lalu lintas. Penerapan teknologi ini dapat memberikan dukungan yang efektif bagi pihak berwenang dalam mengambil tindakan yang tepat. Penelitian ini bertujuan untuk mengembangkan sistem deteksi tipe mobil dan plat nomornya. Dalam pendekatan ini, model deep learning YOLO-NAS dan EfficientNet digunakan untuk mendeteksi dan mengklasifikasikan jenis mobil serta plat nomornya. Sebagai pendukung, model SRGAN digunakan untuk meningkatkan resolusi citra plat mobil. Untuk tujuan mendeteksi penggunaan plat palsu pada kendaraan, maka selanjutnya hasil dari sistem ini dapat diintegrasikan dengan database plat dan jenis kendaraan untuk mendeteksi plat yang palsu. Performa terbaik pada masing-masing model adalah 92% untuk akurasi validasi model EfficientNet dengan menggunakan layer dense sebesar 1024 dan dropout sebesar 0.2, 93% pada nilai mAP dan 1.24 pada nilai validasi loss untuk model YOLO-NAS dengan melakukan training sebanyak 30 epoch, serta nilai PSNR sebesar 19.5 dan nilai validasi loss sebesar 2.8 untuk model SRGAN dengan learning rate generator sebesar 0.001 dan learning rate discriminator sebesar 0.0001. Dibutuhkan pengembangan lebih lanjut pada model ini agar dapat dipakai secara real-time.

---

The increasing number of vehicles and traffic violations each year makes it increasingly challenging for authorities to detect and address these violations. One of the challenging offenses to detect is the use of fake license plates on cars. The implementation of Intelligent Transportation Systems (ITS) in traffic can significantly contribute to detecting such violations. Several studies have successfully applied ITS for vehicle detection and classification using deep learning, providing a solution for handling traffic violations. The adoption of this technology can effectively support authorities in taking appropriate actions. Based on existing literature, this research aims to develop a system for detecting the type and license plates of vehicles. In this approach, deep learning models, YOLO-NAS, and EfficientNet are used to detect and classify the type of vehicles and their license plates. As a supportive model, SRGAN is utilized to enhance the resolution of license plate images. This research is expected to contribute to improving the effectiveness of traffic violation detection, particularly concerning the use of fake plates on vehicles. Furthermore, the results from this system can be integrated with license plate and vehicle type databases to detect fake plates. The best performance of each model is 92% for the validation accuracy of the EfficientNet model using a dense layer of 1024 and a dropout of 0.2, 93% for the mAP value and 1.24 for the validation loss value for the YOLO-NAS model after training for 30 epochs, and a PSNR value of 19.5 and a validation loss value of 2.8 for the SRGAN model with a generator learning rate of 0.001 and a discriminator learning rate of 0.0001. Further development of this model is needed for real-time application."

"Ujaran kebencian dapat menyebabkan terjadinya konflik dan pembantaian di masyarakat sehingga harus segera ditangani. Indonesia memiliki lebih dari 700 bahasa daerah dengan karakteristik masing-masing. Ujaran kebencian yang ada di Indonesia juga pernah dilakukan menggunakan bahasa daerah. Media sosial Twitter paling sering digunakan dalam menyebarkan ujaran kebencian. Identifikasi target, kategori, serta level ujaran kebencian dapat membantu Polri dan Kemenkominfo dalam menentukan prioritas penanganan ujaran kebencian sehingga dapat meminimalisir dampaknya. Penelitian ini melakukan identifikasi ujaran kasar dan ujaran kebencian beserta target, kategori, dan level ujaran kebencian pada data Twitter berbahasa daerah menggunakan algoritma classical machine learning dan deep learning. Penelitian ini menggunakan data lima bahasa daerah di Indonesia dengan penutur terbanyak yaitu Jawa, Sunda, Madura, Minang, dan Musi. Pada data Bahasa Jawa performa terbaik diperoleh menggunakan algoritma Support Vector Machine (SVM) dengan transformasi data Classifier Chains (CC) serta kombinasi fitur word unigram, bigram, dan trigram dengan F1-score 70,43%. Algoritma SVM dengan transformasi data CC serta kombinasi fitur word unigram dan bigram memberikan performa terbaik pada data Bahasa Sunda dan Madura dengan masing-masing F1-score 68,79% dan 78,81%. Sementara itu, pada data Bahasa Minang dan Musi hasil terbaik diperoleh menggunakan algoritma SVM dengan transformasi data CC serta fitur word unigram dengan F1-score 83,57% dan 80,72%. Penelitian ini diharapkan dapat digunakan sebagai masukan bagi Polri dan Kemenkominfo dalam pembangunan sistem identifikasi ujaran kasar, ujaran kebencian serta target, kategori, dan level ujaran kebencian pada media sosial.

---

Hate speech can lead to conflict and massacres in society so it must be dealt immediately. Indonesia has more than 700 regional languages with their own characteristics. Hate speech in Indonesia has also been carried out using regional languages. Twitter is the most frequently used social media to spread hate speech. Identification of targets, categories, and levels of hate speech can help the National Police and the Ministry of Communication and Information to determine priorities for handling hate speech to minimize its impact. This study identifies abusive speech and hate speech along with the target, category, and level of hate speech on regional language Twitter data using classical machine learning and deep learning algorithms. This study uses data from five regional languages in Indonesia with the most speakers, namely Javanese, Sundanese, Madurese, Minang, and Musi. In Java language data, the best performance is obtained using the Support Vector Machine (SVM) algorithm with Classifier Chains (CC) data transformation and a combination of unigram, bigram, and trigram word features with an F1-score of 70.43%. The SVM algorithm with CC data transformation and the combination of unigram and bigram word features provides the best performance on Sundanese and Madurese data with F1-scores of 68.79% and 78.81%, respectively. Meanwhile, in Minang and Musi language data, the best results were obtained using the SVM algorithm with CC data transformation and word unigram features with F1-scores of 83.57% and 80.72%, respectively. This research is expected to be used as input for the National Police and the Ministry of Communication and Information in developing a system for identifying harsh speech, hate speech and the target, category, and level of hate speech on social media."

"Serangan MitM ini memiliki dampak yang cukup besar dan dapat membuka jalan untuk serangan selanjutnya, seperti Phishing. Penelitian ini membahas tentang pendekatan metode hybrid deep learning yang dapat membantu pendeteksian serangan MitM secara efektif. Metode hybrid deep learning yang digunakan dalam penelitian ini adalah CNN-MLP dan CNN-LSTM, yaitu merupakan gabungan dari CNN, MLP, dan LSTM. Selain itu, dalam skenario eksperimennya menggunakan berbagai metode feature scaling (StandardScaler, MinMaxScaler, dan MaxAbsScaler) dan tanpa menggunakan metode feature scaling sebelum melakukan pemodelan, yang kemudian akan ditentukan metode hybrid deep learning yang terbaik untuk mendeteksi serangan MitM dengan baik. Dataset yang digunakan dalam penelitian ini yaitu Kitsune Network Attack Dataset (ARP MitM Ettercap). Hasil dari penelitian ini yaitu metode CNN-MLP dengan 10 epoch menggunakan MaxAbsScaler memiliki nilai accuracy tertinggi, yaitu 99.93%. Pada urutan kedua, CNN-MLP dengan 10 epoch menggunakan StandardScaler memiliki nilai accuracy sebesar 99.89%.

---

Man in the Middle (MitM) has a sizeable impact because it could make the attackers will do another attacks, such as Phishing. This research is discussing about hybrid deep learning methods-approach on detecting MitM attacks effectively. We were used 2 (two) combinations of the Deep Learning methods (CNN, MLP, and LSTM), which are CNN-MLP and CNN-LSTM. Besides that, in the experiment scenarios, we also used various Feature Scaling methods (StandardScaler, MinMaxScaler, and MaxAbsScaler) and without using any Feature Scaling methods before building the models and will determine the better hybrid Deep Learning methods for detecting MitM attack. Kitsune Network Attack Dataset (ARP MitM Ettercap) is the dataset used in this study. The results of this research proves that CNN-MLP that with 10 epoch using MaxAbsScaler has the highest accuracy rate of 99.93%. In second place, CNN-MLP with 10 epoch using StandardScaler has the accuracy rate of 99.89%."

"Arsitektur model deep learning kini sudah semakin kompleks setiap harinya. Namun semakin besar model maka dibutuhkan kekuatan komputasi yang cukup besar juga dalam menjalankan model. Sehingga tidak semua perangkat Internet of Things (IoT) dapat menjalankan model yang begitu besar secara efisien. Untuk itu teknik model optimization sangat diperlukan. Pada penelitian kali ini penulis menggunakan metode optimasi menggunakan layer weight regularization, serta penyederhanaan arsitektur model pada hybrid deep learning model. Dataset yang digunakan pada penelitian kali ini adalah N-BaIoT. Sementara evaluasi performa model yang digunakan adalah accuracy, confussion matrix, dan detection time. Dengan tingkat accuracy yang sama, model yang diusulkan berhasil meningkatkan waktu deteksi model lebih cepat 0,8 ms dibandingkan dengan model acuan.

---

The deep learning model architecture is getting more complex every day. However, the larger the model, the greater the computational power is needed to run the model. So not all Internet of Things (IoT) devices can run such a large model efficiently. For this reason, model optimization techniques are needed. In this study, the author uses an optimization method using layer weight regularization, as well as simplification of the model architecture on the hybrid deep learning model. The dataset used in this research is N-BaIoT. While the evaluation of the performance of the model used is accuracy, confusion matrix, and detection time. With the same level of accuracy, the proposed model succeeded in increasing the detection time of the model by 0.8 ms faster than the reference method."