Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam era revolusi industri 4.0, integrasi teknologi menjadi kunci untuk meningkatkan produktivitas di sektor manufaktur. Dalam konteks ini, penggunaan Cloud Computing, Internet of Things (IoT), dan Machine Learning (ML) memainkan peran penting. IoT dan Cloud Computing digunakan untuk mengelola proses pengumpulan dan pengolahan data, terutama dari sensor mesin. Data ini kemudian dapat digunakan untuk pelatihan model ML, khususnya dalam kasus Predictive Maintenance. Predictive Maintenance bertujuan untuk memprediksi kapan suatu mesin memerlukan perawatan. Dalam penelitian sebelumnya, pendekatan masalah hanya memilih satu metode (klasifikasi atau regresi). Oleh karena itu, penelitian ini menciptakan metode Predictive Maintenance yang menggabungkan keduanya. Model yang dikembangkan menggunakan dua jenis pendekatan: Random Forest Tree untuk klasifikasi dan LSTM (Long Short-Term Memory) dengan Fully Connected layer untuk prediksi. Hasil pengujian menunjukkan bahwa model yang menggunakan LSTM untuk klasifikasi dan regresi mencapai akurasi 100%. Diikuti dengan hasil recall, precission, dan F-1 score yang mencapai 1.00. Oleh karena itu, LSTM dapat dianggap sebagai algoritma terbaik untuk Predictive Maintenance dalam industri manufaktur.

---

In the era of the 4th industrial revolution, technology integration is key to improving productivity in the manufacturing sector. In this context, the use of Cloud Computing, Internet of Things (IoT), and Machine Learning (ML) plays a crucial role. IoT and Cloud Computing are used to manage the process of data collection and processing, especially from machine sensors. This data can then be used for ML model training, particularly in the case of Predictive Maintenance. Predictive Maintenance aims to predict when a machine requires maintenance. In previous research, the problem approach often involved choosing only one method (classification or regression). Therefore, this study created a Predictive Maintenance method that combines both approaches. The developed model uses two types of approaches: Random Forest Tree for classification and LSTM (Long Short-Term Memory) with a Fully Connected layer for prediction. Test results show that the model using LSTM for both classification and regression achieves 100% accuracy. Additionally, the recall, precision, and F-1 score results also reach 1.00. Therefore, LSTM can be considered the best algorithm for Predictive Maintenance in the manufacturing industry."

"Penelitian ini bertujuan untuk mengembangkan model deteksi penyakit kulit pada hewan peliharaan menggunakan image processing dan Deep Learning. Model ini dirancang untuk mendeteksi tiga jenis penyakit kulit yang umum, yaitu Ringworm, Scabies, dan Earmite, dengan memanfaatkan gambar yang diambil menggunakan kamera ponsel. Model ini menggabungkan teknik image processing, seperti CLAHE, filter Gaussian, dan segmentasi HSV, dengan model CNN. Evaluasi model dilakukan menggunakan metrik Accuracy, Precision, Recall, dan F1-score. Pada penelitian ini digunakan dua model untuk mendeteksi penyakit yang berbeda. Hasil penelitian menunjukkan bahwa untuk model 1, yang melakukan klasifikasi multi-kelas, nilai metrik validasi Akurasi mencapai 83%, F1-score mencapai 82%, Precision mencapai 89%, dan Recall mencapai 83%. Sedangkan untuk hasil model 2, yang melakukan klasifikasi biner, nilai akurasi mencapai 100%, F1-score mencapai 100%, Precision mencapai 100%, dan Recall mencapai 100%. Model ini juga menunjukkan kinerja yang lebih baik dibandingkan dengan model transfer learning ResNet-50 dan VGG16.

---

This research aims to develop a skin disease detection model for pets using image processing and Deep Learning . The model is designed to detect three common skin diseases, namely Ringworm, Scabies, and Earmite, using images captured by mobile phone cameras. The model combines image processing techniques, such as CLAHE, Gaussian filter, and HSV segmentation, with a CNN model. Model evaluation is performed using the Accuracy, Precision, Recall, and F1-score metrics. In this study, two models were used to detect different diseases. The research results show that for model 1, which performs multi-class classification, the validation metric value of Accuracy reaches 83%, F1-score reaches 82%, Precision reaches 89%, and Recall reaches 83%. Meanwhile, for the results of model 2, which performs binary classification, the accuracy value reaches 100%, F1-score reaches 100%, Precision reaches 100%, and Recall reaches 100%. This model also shows better performance compared to the ResNet-50 and VGG16 transfer learning models."

"Skripsi ini menyajikan analisis kinerja komprehensif penyeimbang beban dalam konteks lingkungan Apache CloudStack berbasis Prometheus. Seiring dengan berkembangnya komputasi awan, efisiensi mekanisme penyeimbangan beban memainkan peran penting dalam memastikan pemanfaatan sumber daya yang optimal dan keandalan layanan. Memanfaatkan Prometheus untuk pemantauan dan pengumpulan metrik, penelitian ini bertujuan untuk mengevaluasi kinerja berbagai konfigurasi penyeimbang beban yang diterapkan di Apache CloudStack, serta memberikan analisis terhadap mengapa penyeimbang beban dapat meningkatkan efisiensi distribusi paket sebesar 23%.

---

This thesis provides a complete performance analysis of load balancers in Prometheus-based Apache CloudStack setups. As cloud computing evolves, the effectiveness of load balancing techniques becomes critical in guaranteeing optimal resource usage and service reliability. Using Prometheus for monitoring and metric collecting, this study seeks to assess the performance of several load balancer configurations implemented in Apache CloudStack, and also providing analysis as to why load balancer can increase the efficiency of traffic distribution by up to 23%."

"Serangan Denial of Service adalah salah satu ancaman serius bagi keamanan jaringan yang dapat menyebabkan gangguan dan tidak tersedianya suatu layanan. Security Information and Event Management (SIEM) Wazuh merupakan sebuah solusi open-source yang dirancang untuk memberikan visibilitas, analisis, dan respons terhadap ancaman keamanan dalam jaringan. Penelitian ini bertujuan untuk menganalisis implementasi SIEM Wazuh dalam mendeteksi serangan DoS dengan mengintegrasikan SIEM Wazuh dengan Intrusion Detection System (IDS) Suricata sebagai pengumpul log paket jaringan. Penelitian dilakukan dalam lingkungan mesin virtual dengan tiga skenario serangan, SYN flood, UDP flood, serta ICMP flood yang dilakukan dengan Hping. Dari hasil penelitian didapatkan bahwa Wazuh dapat mendeteksi semua serangan berdasarkan rule kustom yang telah dibuat dengan waktu rerata deteksi tiap serangan secara berurut 13,99 detik, 45,083 detik, dan 1,2 detik. Penelitian ini menunjukkan bahwa Wazuh mendeteksi serangan berdasarkan rule dan fitur seperti pemantauan log real-time, analisis rule-based serta integrasi dengan sistem keamanan lainnya berkontribusi terhadap efektivitas Wazuh dalam mendeteksi serangan DoS.

---

Denial of Service attacks pose a serious threat to network security, causing disruption and service unavailability. Security Information and Event Management (SIEM) Wazuh is an open-source solution designed to provide visibility, analysis, and response to security threats within networks. This research aims to analyze the implementation of SIEM Wazuh in detecting DoS attacks by integrating it with the Intrusion Detection System (IDS) Suricata as the network packet logging collector. The study was conducted in a virtual machine environment with three attack scenarios: SYN flood, UDP flood, and ICMP flood simulated using Hping3. The research findings indicate that Wazuh can detect all attacks based on custom rules created, with average detection times for each attack scenario sequentially being 13.99 seconds, 45.083 seconds, and 1.2 seconds. The study demonstrates that Wazuh detects attacks through rules and features such as real-time log monitoring, rule-based analysis, and integration with other security systems contributing to its effectiveness in detecting DoS attacks."

"Kegiatan operasional harian tempat-tempat publik terutama di Kampus Universitas Indonesia seperti kantin, ruang kelas, dan tempat lainnya selalu menghasilkan sampah setiap harinya. Sampah yang dihasilkan pun bermacammacam, dari organik maupun sampah anorganik. Kehadiran Laboratorium Parangtopo di UI sebagai pionir pengolahan sampah organik telah membuat sampah organik bernilai ekonomi yang menjanjikan. Maka dari itu, perlu ada sebuah mekanisme/sistem untuk melakukan pemantauan/pelacakan terhadap alur sampah dari hulu (awal sampah diproduksi) sampai ke hilir (sampah telah diterima Laboratorium Parangtopo) demi mengetahui kualitas sampah organik pada setiap tempat publik tersebut (misal fakultas teknik, fakultas hukum, dan lain-lain). Penelitian ini berfokus pada rancang bangun sistem pelacakan alur/supply chain sampah di UI menggunakan teknologi RFID dan perangkat IoT berupa ESP32. Metode penelitian melibatkan wawancara dan observasi langsung di Laboratorium Parangtopo, fakultas, dan ruang publik di Universitas Indonesia. Data yang dikumpulkan berupa jumlah sampah yang sedang dikirim ke Laboratorium Parangtopo dan meneruskan data tersebut ke server pusat di Laboratorium Parangtopo untuk pengolahan data lebih lanjut. Hasil penelitian menunjukkan bahwa sistem yang dibangun berhasil mengimplementasikan teknologi RFID dan IoT dengan baik, dengan pengujian fungsional menunjukkan semua fitur berjalan sesuai harapan, pengujian kinerja menunjukkan jarak baca perangkat kurang dari 2 sentimeter serta kecepatan setiap fitur mengirim data ke server kurang dari 2 detik setelah pengujian sebanyak 40 kali untuk setiap fitur yang ada.

---

The daily operational activities in public places, especially at the University of Indonesia campus such as cafeterias, classrooms, and other areas, always generate waste every day. The waste produced varies, including both organic and inorganic waste. The presence of the Parangtopo Laboratory at UI as a pioneer in organic waste processing has made organic waste economically promising. Therefore, a mechanism/system is needed to monitor/track the waste flow from upstream (the initial production of waste) to downstream (waste received by the Parangtopo Laboratory) to determine the quality of organic waste in each public place (e.g., the Faculty of Engineering, Faculty of Law, etc.). This research focuses on designing a waste flow/supply chain tracking system at UI using RFID technology and IoT devices such as the ESP32. The research method involves interviews and direct observations at the Parangtopo Laboratory, faculties, and public spaces at the University of Indonesia. The data collected includes the amount of waste being sent to the Parangtopo Laboratory and transmitting this data to the central server at the Parangtopo Laboratory for further data processing. The research results show that the system successfully implements RFID and IoT technology, with functional testing demonstrating that all features operate as expected, performance testing indicating a reading distance of less than 2 centimeters, and the speed of each feature sending data to the server being less than 2 seconds after 40 attempts of testing for each feature."

"Penelitian ini menangani masalah pengenalan emosi dalam percakapan berbahasa Indonesia, yang penting untuk aplikasi seperti pengenalan ucapan, interaksi manusiamesin, dan analisis sentimen. Untuk mengatasi kompleksitas data suara dan teks, penelitian ini menggabungkan Word Embedding (Word2Vec) dan spektrum suara (MFCC) menggunakan Convolutional Neural Network (CNN). Word2Vec mengubah dataset suara menjadi representasi teks vektor, sementara MFCC digunakan untuk ekstraksi fitur dari spektrum suara. Model yang dikembangkan dievaluasi dengan dataset percobaan berbahasa Indonesia, dan pendekatan Weighted Average Ensemble yang mengintegrasikan kedua metode ini mencapai akurasi 70%. Hasil ini menunjukkan bahwa integrasi teknologi Word Embedding dan analisis spektrum suara dapat meningkatkan akurasi pengenalan emosi dalam bahasa Indonesia. Penelitian ini berkontribusi signifikan terhadap teknologi pengenalan emosi dan berpotensi meningkatkan interaksi manusia dengan teknologi serta aplikasi dalam analisis sentimen dan pengolahan bahasa alami.

---

This research addresses the issue of emotion recognition in Indonesian language conversations, which is crucial for applications such as speech recognition, humanmachine interaction, and sentiment analysis. To tackle the complexity of voice and text data, this study combines Word Embedding (Word2Vec) and sound spectrum analysis (MFCC) using Convolutional Neural Network (CNN). Word2Vec is used to convert voice datasets into vector text representations, while MFCC is employed for feature extraction from the sound spectrum. The developed models were evaluated using an experimental dataset in Indonesian, and the Weighted Average Ensemble approach, which integrates both methods, achieved an accuracy of 70%. These results indicate that integrating Word Embedding technology and sound spectrum analysis can significantly enhance the accuracy of emotion recognition in Indonesian conversations. This research contributes significantly to the development of emotion recognition technology and has the potential to improve human interaction with technology, as well as applications in sentiment analysis and natural language processing."

"Pendidikan berbasis komputer telah menjadi elemen kunci dalam transformasi pendidikan modern. Penggunaan teknologi komputer dalam pembelajaran telah membawa manfaat signifikan, termasuk aksesibilitas yang lebih baik, fleksibilitas waktu, dan peningkatan interaktivitas. Meskipun demikian, tantangan dalam meningkatkan partisipasi pengguna dalam aplikasi pendidikan berbasis komputer masih menjadi isu yang signifikan. Tingkat partisipasi yang rendah dapat menghambat efektivitas pembelajaran dan mengurangi dampak positif teknologi dalam dunia pendidikan. Penelitian ini bertujuan untuk menganalisis dan mengimplementasikan teknik gamifikasi sebagai strategi untuk meningkatkan partisipasi pengguna dalam aplikasi pendidikan berbasis komputer. Kami menggabungkan elemen-elemen gamifikasi seperti penghargaan, poin, tantangan, dan level ke dalam aplikasi pendidikan yang ada untuk merangsang partisipasi dan motivasi pengguna. Penelitian ini menggunakan pendekatan eksperimental dengan mengukur partisipasi pengguna sebelum dan sesudah penerapan teknik gamifikasi, serta mengumpulkan data tentang perubahan pemahaman materi dengan menghitung metrix perilaku. Lalu didapatkan hasil dengan menghitung matrix korelasi dengan jangkauan nilai -1 hingga 1, dengan artian, semakin mendekati 1 atau -1 maka hubungan tersebut semakin kuat. Pada bagian materi, keseluruhan nilai matrix korelasi memiliki nilai sekitar 0,3 yang memengaruhi secara tidak langsung pada setiap hubungan perhitungan metriknya. Sedangkan pada bagian soal, Task ease dengan hasil nilai memiliki nilai matrix korelasi tertinggi dengan nilai 0.925. Pada keseluruhannya bahwa Duolingo memiliki hasil yang lebih baik dibandingkan dengan Kahoot.

---

Computer-based education has become a key element in the transformation of modern education. The use of computer technology in learning has brought significant benefits, including improved accessibility, flexibility in scheduling, and increased interactivity. Nevertheless, the challenge of increasing user participation in computer-based educational applications remains a significant issue. Low participation rates can impede the effectiveness of learning and diminish the positive impact of technology in the field of education. This research aims to analyze and implement gamification techniques as a strategy to enhance user participation in computer-based educational applications. We incorporate gamification elements such as rewards, points, challenges, and levels into existing educational applications to stimulate user participation and motivation. The research employs an experimental approach by measuring user participation before and after the implementation of gamification techniques and collecting data on changes in understanding of the subject matter by calculating behavioral metrics. Then the results are obtained by calculating the correlation matrix with a value range of -1 to 1, meaning, the closer to 1 or -1, the stronger the relationship. In the material section, the overall correlation matrix value has a value of around 0.3 which indirectly influences each metric calculation relationship. Meanwhile, in the questions section, Task ease with results has the highest correlation matrix value with a value of 0.925. Overall, Duolingo has better results compared to Kahoot."

"Spam email merupakan salah satu masalah yang sangat sering dialami dalam komunikasi digital. Penelitian ini bertujuan untuk membandingkan efektifitas dua algoritma klasifikasi Naïve Bayes dan Support Vector Machine (SVM) dalam mendeteksi email spam. Tahapan penelitian dimulai dari pengumpulan data, pemrosesan teks seperti penghapusan angka, tanda baca, dan huruf kapital, penghapusan kata-kata umum, stemming, dan transformasi teks menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF). Dataset dibagi menjadi dua bagian yaitu data latih dan data uji dengan perbandingan 80% data latih dan 20% data uji. Hyperparameter yang digunakan pada metode Naive Bayes adalah nilai alpha, sedangkan pada SVM adalah nilai C, gamma dan kernel Radial Basis Function (RBF). Evaluasi menggunakan parameter metrik akurasi, presisi, recall, dan F1 score. Hasil penelitian menunjukkan metode SVM dengan hyperparameter tuning dan teks preprocessing mendapatkan nilai akurasi 98,74% sedangkan metode naïve bayes hanya 98,35%. Sehingga dapat disimpulkan bahwa metode Support Vector Machine lebih efektif dibandingkan metode Naïve Bayes dalam mendeteksi email spam.

---

Spam email is one of the most frequently encountered issues in digital communication. This study aims to compare the effectiveness of two classification algorithms, Naïve Bayes and Support Vector Machine (SVM), in detecting spam emails. The research stages begin with data collection, followed by text processing such as removing numbers, punctuation, and capital letters, removing common words, stemming, and text transformation using the Term Frequency-Inverse Document Frequency (TF-IDF) method. The dataset is divided into two parts: training data and testing data, with a ratio of 80% training data and 20% testing data. The hyperparameter used for the Naïve Bayes method is the alpha value, while for SVM, the hyperparameters are the values of C, gamma, and the Radial Basis Function (RBF) kernel. Evaluation is conducted using accuracy, precision, recall, and F1 score metrics. The results show that the SVM method, with hyperparameter tuning and text processing, achieved an accuracy of 98.74%, whereas the Naïve Bayes method only achieved 98.35%. Therefore, it can be concluded that the Support Vector Machine method is more effective than the Naïve Bayes method in detecting spam emails."

"Dalam era yang semakin maju, isu lingkungan menjadi perhatian utama bagi masyarakat dan pemerintah. Salah satu tantangan yang dihadapi adalah pengelolaan sampah yang efisien dan berkelanjutan. Laboratorium Parangtopo di Universitas Indonesia merupakan salah satu contoh pihak yang aktif berkontribusi dalam mengelola sampah organik untuk menghasilkan berbagai produk dan energi terbarukan. Meskipun demikian, tantangan yang dihadapi, termasuk proses pemilahan antara sampah organik dan anorganik, tetap menjadi fokus perhatian dalam upaya pengembangan dan peningkatan efisiensi. Skripsi ini membahas tentang optimisasi pemilahan sampah organik dan anorganik berbasis integrasi sensor IoT. Tujuan utamanya adalah mengoptimalkan sistem produksi reaktor biogas melalui pemilahan yang lebih baik. Metode penelitian yang digunakan melibatkan pengumpulan data dari sensor-sensor proximity yang terpasang di tempat sampah. Data ini dianalisis dan digunakan untuk mengembangkan algoritma pemilahan. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu membedakan sampah organik dan anorganik dengan efektif pada jarak kurang dari 1 mm ketika menerima tegangan sebesar 7.3 V. Sistem juga mampu mengenali hasil pengukuran jenis sampah dan mengoperasikan tutup sampah sesuai dengan kategori materi yang telah diukur. Selain itu, sistem dapat mengukur kapasitas tempat sampah dan menghirimkan hasil pengukuran sensor ke antarmuka dashboard melalui API yang telah dibuat. Dengan solusi yang efisien dan otomatis ini, diharapkan kesadaran akan pentingnya pemilahan sampah semakin meningkat dan efektifitas penanganan sampah pada lingkungan dengan skala urban mikro di Universitas Indonesia dapat meningkat.

---

In an increasingly advanced era, environmental issues have become a major concern for society and the government. One of the challenges faced is efficient and sustainable waste management. The Parangtopo Laboratory at the University of Indonesia is an example of a party that actively contributes to managing organic waste to produce various products and renewable energy. Nevertheless, the challenges faced, including the process of sorting organic and inorganic waste, remain the focus of attention in efforts to develop and increase efficiency. This thesis discusses the optimization of organic and inorganic waste sorting based on IoT sensor integration. The main goal is to optimize the biogas reactor production system through better sorting.

The research method used involves collecting data from proximity sensors installed in trash cans. This data is analyzed and used to develop sorting algorithms. The research results show that the system developed is able to differentiate organic and inorganic waste effectively at a distance of less than 1 mm when receiving a voltage of 7.3 V. The system is also able to recognize the results of measuring types of waste and operate the waste lid according to the category of material that has been measured. In addition, the system can measure the capacity of the trash bin and send the sensor measurement results to the dashboard interface via the API that has been created. With this efficient and automatic solution, it is hoped that awareness of the importance of waste sorting will increase and the effectiveness of waste handling in micro-urban environments at the University of Indonesia can increase."

"Perkembangan pesat Sistem Pemerintahan Berbasis Elektronik (SPBE) telah membawa perbaikan signifikan dalam efisiensi dan aksesibilitas layanan publik. Namun, meningkatnya ketergantungan pada sistem ini juga menyebabkan meningkatnya kekhawatiran tentang keamanannya dan potensi dampak insiden keamanan terhadap operasi pemerintah dan kepercayaan warga negara. Untuk mengatasi tantangan ini, di dalam penelitian ini diusulkan kerangka kerja untuk menangani insiden keamanan menggunakan standar ISO/IEC 27035:2023 sebagai referensi. Standar ISO/IEC 27035:2023 menyediakan pendekatan komprehensif untuk manajemen insiden, yang mencakup seluruh siklus hidup dari persiapan dan identifikasi hingga penahanan, pemberantasan, dan pemulihan. Lembaga yang direkomendasikan ialah Ombudsman Republik Indonesia, lembaga pemerintah yang menjalankan fungsi pengawasan penyelenggaraan pelayanan publik dan menerima pengaduan publik atas dugaan maladministrasi penyelenggaraan pelayanan publik. Penyusunan kerangka kerja diawali dengan analisis menyeluruh terhadap praktik keamanan Ombudsman yang ada dan potensi ancaman terhadap sistem elektroniknya. Penilaian ini dijadikan dasar untuk memastikan bahwa solusi yang diusulkan disesuaikan dengan kebutuhan dan kerentanan khusus lembaga. Tahapan yang dilakukan ialah persiapan, identifikasi, penahanan, pemberantasan, pemulihan, dan pelajaran yang dipetik. Rekomendasi menghasilkan kerangka kerja dan wawasan yang dapat digunakan instansi pemerintah untuk mengadopsi standar ISO 27035:2023. Penelitian ini juga menunjukkan bahwa penerapan standar tersebut relevan dan sejalan dengan kebijakan SPBE di Indonesia.

---

The rapid development of Electronic Government Systems (EoBS or SPBE in Indonesian) has brought significant improvements in the efficiency and accessibility of public services. However, the increasing reliance on these systems has also increased concerns about their security and the potential impact of security incidents on government operations and citizen trust. In order to address these challenges, this study proposes a framework for handling security incidents using the ISO/IEC 27035:2023 standard as a reference. The ISO/IEC 27035:2023 standard provides a comprehensive approach to incident management, covering the entire life cycle from preparation and identification to containment, eradication, and recovery. The recommended institution is the Ombudsman of the Republic of Indonesia, a government institution that oversees the implementation of public services and receives public complaints regarding alleged maladministration of public services. The preparation of the framework begins with a thorough analysis of the Ombudsman's existing security practices and potential threats to its electronic systems. This assessment is used as a basis for ensuring that the proposed solution is tailored to the specific needs and vulnerabilities of the institution. The stages carried out are preparation, identification, containment, eradication, recovery, and lessons learned. The recommendations produce a framework and insights that government agencies can use to adopt the ISO 27035:2023 standard. This study also shows that the implementation of the standard is relevant and in line with the SPBE policy in Indonesia."