Hasil Pencarian  ::  Simpan CSV :: Kembali

"Phishing adalah salah satu jenis penipuan pada Internet berupa halaman web palsu yang meniru halaman web asli untuk menipu pengguna agar mengirim informasi sensitif kepada phisher. Pada data statistik yang disampaikan oleh APWG dan Phistank, jumlah web phishing dari 2015 hingga 2020 cenderung meningkat terus menerus. Untuk mengatasi masalah tersebut telah dilakukan beberapa penelitian terkait diantaranya dengan melakukan pendeteksian halaman web phishing menggunakan berbagai fitur-fitur dari halaman web dengan berbagai metode. Sayangnya penggunaan beberapa metode yang dilakukan dinilai sebagian pihak kurang efektif karena desain dan evaluasi hanya terlalu fokus pada capaian akurasi pendeteksian di penelitian namun evaluasi tidak mewakili pengaplikasian di dunia nyata. Padahal sebuah alat pendeteksi keamanan seharusnya membutuhkan efektifitas, performa yang baik, dapat diterapkan, dan tepat guna. Pada penelitian ini penulis melakukan evaluasi beberapa metode dan megusulkan aplikasi berbasis rules yang dapat mendeteksi phishing dengan lebih efisien.

---

Phishing is a type of fraud on the Internet in the form of fake web pages that mimic the original web pages to trick users into sending sensitive information to phisher. The statistics presented by APWG and Phistank show that the number of phishing websites from 2015 to 2020 tends to increase continuously. To overcome this problem, several studies have been carried out including detecting phishing web pages using various features of web pages with various methods. Unfortunately, the use of several methods is not effective because the design and evaluation are only too focused on the achievement of detection accuracy in research, but evaluation does not represent application in the real world. Whereas a security detection device should require effectiveness, good performance, and deployable. In this study the authors evaluated several methods and proposed rules-based applications that can detect phishing more efficiently."

"Tugas Akhir ini menelaah blockchain dan aplikasinya untuk pemodelan e-voting yang aman. Dalam Tugas Akhir ini, dibangun sebuah prototipe e-voting berbasis blockchain yang memenuhi sifat terdistribusi dan aman. Penggunaan blockchain dalam pemodelan e-voting bertujuan mengatasi kendala keamanan yang muncul dalam pemodelan e-voting. Sifat aman dalam prototipe e-voting didasari oleh penyimpanan data dalam blockchain yang menggunakan elliptic curve digital signature algorithm (ECDSA) dan SHA-256. Data yang disimpan dalam blockchain berisi suara pemilih. Data yang berisi suara pemilih tersebut, disimpan secara terdistribusi pada banyak database yang disebut nodes. Pengembangan prototipe pemodelan dilakukan menggunakan bahasa pemrograman Python dengan framework Flask yang dijalankan pada sistem operasi windows. Uji coba menunjukkan bahwa prototipe tersebut berfungsi dengan baik.

---

This Final Project (Tugas Akhir) investigates blockchain and its application for modeling a secure e-voting system. In this Final Research Project, a blockchain based e-voting system is constructed that satisfies the security and distributed properties. The use of blockchain in the e-voting modeling aims to overcome security problems. The security problems of e-voting system are solved by storing data in blockchain supported by ECDSA (elliptic curve digital signature algorithm) and SHA-256. The data stored in the blockchain consist of votes of legitimate voters. The data stored in distributed databases or nodes. The prototype was developed using the Python programming language and the Flask framework, running on Windows operating system. The prototype was tested to show its functionalities and it worked well."

"Skripsi ini membahas tentang implementasi text sequence classification menggu- nakan data pesan pengguna asli dari perusahaan e-commerce Indonesia, untuk meningkatkan performa chatbot perusahaan dalam memprediksi intent. Problem yang menjadi fokus dalam skripsi ini adalah bagaimana cara untuk menggunakan konteks-konteks yang ada pada pesan pengguna di awal sesi untuk memprediksi intent dari pesan pengguna yang ada di akhir sesi. Skripsi ini bekerja sama dengan salah satu perusahaan ecommerce di Indonesia dan menggunakan data dari percaka- pan antara pengguna dan chatbot yang dimiliki perusahaan. Setelah eksplorasi data dilakukan, ditemukan bahwa terdapat ketidakseimbangan pada data sehingga di- gunakan focal loss agar model dapat memprediksi dengan baik intent-intent yang memiliki data sedikit. Selain itu, data juga diaugmentasi, yakni pesan-pesan peng- guna dalam sesi percakapan yang sama digabungkan agar konteks pada pesan per- tama dapat digunakan untuk memprediksi intent pada pesan selanjutnya. Penelitian ini juga bereksperimen dengan model LSTM dan Bi-LSTM, serta menggunakan attention layer untuk memilih data yang lebih penting daripada yang lain. Hasil penelitian menunjukkan bahwa model yang diajukan pada akhir penelitian berhasil menyaingi model perusahaan yang sebelumnya. Selain itu, penulis juga melakukan analisis kesalahan dan menemukan bahwa model memiliki performa yang rendah ketika memprediksi beberapa intent, hal ini disebabkan oleh adanya kesamaan kan- dungan kata pada intent-intent tersebut, sehingga model mengalami kesulitan mem- bedakan intent-intent tersebut.

---

This thesis talks about the implementation of text sequence classification on real user message data of an e-commerce company in Indonesia. It aims in improving the company’s chatbot performance in predicting intents. The problem that is the main focus of this thesis is how to use the contexts in the user’s message at the beginning of the session to predict the intent of the user’s message at the end of the session. This thesis collaborates with an e-commerce company in Indonesia and uses data from conversations between users and the company’s chatbot. After exploring the data, it was found that there is an imbalance in the data so that focal loss is used so that the model can predict well the intents that have little data. In addition, the data is also augmented, where user messages in the same conversation session are combined so that the context of the first message can be used to predict the intent of the next message. This work also includes experiments on the use of LSTM and Bi-LSTM models, and used the attention layer to select data that are more important than others. The experiment result shows that the proposed model is successful in competing with the company’s past model. In addition, the author also conducted an error analysis where it was found that the model has low performance when predicting a number of particular intents, this is due to the similarity of the wording of the intents and because of that, the model has difficulty in distinguishing the intents."

"Kanker leher rahim atau kanker serviks merupakan penyakit kanker yang paling banyak menyerang wanita di negara berkembang, termasuk Indonesia. Salah satu cara pencegahannya adalah dengan melakukan test Pap-Smear. Sel serviks hasil test Pap-Smear tersebut kemudian didiagnosa oleh dokter Patologi Anatomi. Namun dokter Patologi Anatomi tidak selalu ada di semua wilayah, terutama di daerah terpencil. Untuk memungkinkan diagnosa pasien di daerah terpencil yang jarang ditemukan dokter Patologi Anatomi, diperlukan suatu upaya untuk mengotomatiskan diagnosa terhadap hasil test Pap-Smear, sehingga dapat dilakukan diagnosa jarak jauh (telemedicine). Penelitian ini bertujuan untuk melakukan diagnosa terhadap citra hasil test Pap-Smear, yaitu dengan menggunakan Algoritma Multifraktal yang dikombinasi dengan Adaptive Multiple Thresholding sebagai metode segmentasi secara otomatis dan Jaringan Syaraf Tiruan menggunakan Learning Vector Quantization (LVQ) sebagai metode klasifikasi dengan nilai intensitas dari citra hasil segmentasi sebagai cirinya. Performa dari hasil segmentasi akhir, tingkat ketelitiannya sekitar 70%. Hasil klasifikasi dengan LVQ terhadap tujuh kelas tingkat pengenalannya masih di bawah 40%, sedangkan tingkat pengenalan terhadap dua kelas mampu mencapai sekitar 82%.

---

Cervix cancer is the most cancer disease that attact women in the developing country, include Indonesia. One of the way of its prevention is by a Pap-Smear test. Cervix cells that resulted from Pap-Smear test then diagnosed by a Pathology of Anatomy doctor. But Pathology of Anatomy doctor is not always in all area. To enable diagnosa patient in purilieus which seldom be found Pathology of Anatomy doctor, needed an effort, so that can be conducted by long distance diagnosa ( telemedicine). This research aims to conduct diagnose the image result of Pap-Smear test, and keep involve Multifractal Algorithm which is combined with Adaptive Multiple Thresholding as segmentation method automatically, and Artificial Neural Network using Learning Vector Quantization (LVQ) as clssification method with intensity value from segmentation image as its feature. The performance in segmentation and increasing quality result, the correctness about 70%. The result of classification using LVQ toward seven classes, its recognition is less than 40%, meanwhile the recognition rate of two classes about 82%."

"Kanker leher rahim atau kanker serviks merupakan penyakit kanker yang paling banyak menyerang wanita di negara berkembang, termasuk Indonesia. Salah satu cara pencegahannya adalah dengan melakukan test Pap-Smear. Sel serviks hasil test Pap-Smear tersebut kemudian didiagnosa oleh dokter Patologi Anatomi. Namun dokter Patologi Anatomi tidak selalu ada di semua wilayah, terutama di daerah terpencil. Untuk memungkinkan diagnosa pasien di daerah terpencil yang jarang ditemukan dokter Patologi Anatomi, diperlukan suatu upaya untuk mengotomatiskan diagnosa terhadap hasil test Pap-Smear, sehingga dapat dilakukan diagnosa jarak jauh (telemedicine).Penelitian ini bertujuan untuk melakukan diagnosa terhadap citra hasil test Pap-Smear, yaitu dengan menggunakan Algoritma Multiflaktal yang dikombinasi dengan Adaptive Multiple Thresholding sebagai metode segmentasi secara otomatis dan Jaringan Syaraf Tiruan menggunakan Learning Vector Quantization (LVQ) sebagai metode klasifikasi dengan nilai intensitas dari citra hasil segmentasi sebagai cirinya. Performa dari hasil segmentasi akhir, tingkat ketelitiannya sekitar 70%. Hasil klasifikasi dengan LVQ terhadap tujuh kelas tingkat pengenalannya masih di bawah 40%, sedangkan tingkat pengenalan terhadap dua kelas mampu mencapai sekitar 82%.

---

Cervix cancer is the most cancer disease that attact women in the developing country, include Indonesia. One of the way of its prevention is by a PapSmear test Cervix cells that resulted from Pap-Smear test then diagnosed by a Pathology of Anatomy doctor. But Pathology of Anatomy doctor is not always in all area. To enable diagnosa patient in purilieus which seldom be found Pathology of Anatomy doctor, needed an effort, so that can be conducted by long distance diagnosa (telemedicine).

This research aims to conduct diagnose the image result of Pap-Smear test, and keep involve Multifractal Algorithm which is combined with Adaptive Multiple Thresholding as segmentation method automatically, and Artiflcial Neural Network using Leaming Vector Quantization (LVQ) as clssification method with intensity value from segmentation image as its feature. The performance in segmentation and increasing quality result, the correctness about 70%. The result of classification using LVQ toward seven classes, its recognition is less than 40%, meanwhile the recognition rate of two classes about 82%."

"

Urgensi personalisasi e-commerce saat ini didorong oleh beberapa faktor, diantaranya pertumbuhan pasar e-commerce, ekpektasi konsumen, information overload dan keuntungan yang signifikan bagi pengembang. Akan tetapi, menerapkan personalisasi e-commerce yang efektif bukanlah permasalahan yang mudah (non-trivial). Terdapat berbagai macam tantangan dari setiap proses personalisasi, mulai dari  tahap memahami konsumen, menyajikan personalisasi hingga tahap mengevaluasi dampak personalisasi. Saat ini, penelitian pada bidang ilmu komputer banyak memfokuskan studi pada tahap memahami konsumen dan menyajikan personalisasi. Di sisi lain, tahapan terakhir yakni evaluasi belum dieksplor sehingga evaluasi performa personalisasi e-commerce yang ada belum efektif. Beberapa penyebab masalah ini di antaranya adalah tujuan dan metrics yang tidak jelas, evaluasi hanya menggunakan perspektif teknis, dan terbatasnya metode evaluasi performa personalisasi. Untuk itu penelitian ini mencoba untuk mengusulkan metode yang metrics evaluasi dipetakan berdasarkan tujuannya dengan jelas. Selain itu, metode ini juga tidak hanya mengevaluasi dari perspektif teknis, tetapi juga bisnis. Pengembangan metode dilakukan berdasarkan hasil analisis data primer (wawancara) dan data sekunder (literatur). Setelah itu metode diuji engan pendekatan online dan offline menggunakan dataset Amazon dan MovieLens. Kesimpulannya, hasil pengembangan metode ini jika dibandingkan metode Carvalho tidak hanya menggunakan perspektif teknis, tetapi juga bisnis berupa akurasi, cakupan konsumen dan daya tarik produk yang dipersonalisasi.

---

The urgency of e-commerce personalization is currently driven by several factors, including e-commerce growth, consumer expectations, information overload and significant benefits for enterprise. However, implementing an effective e-commerce personalization is a non-trivial problem. There are several challenges in every personalization process, start from understanding consumers, presenting personalization and evaluating personalization performance. Today, research in computer science focuses on understanding consumers and presenting personalization only. On the other hand, the evaluation process has not been explored. It causes ineffectiveness in the evaluation of e-commerce personalization. The causes of this problem are unclear goals and metrics, technical perspective only, and limited methods of evaluating personalization performance. Therefore, this research proposes a method which evaluation metrics are mapped based on their objectives clearly. In addition, this method also not only evaluates from a technical perspective, but also business perspectives. Method development is based on the analysis results of primary data (interviews) and secondary data (literatures). The proposes method was tested with online and offline approaches using the Amazon dataset and MovieLens. In conclusion, the results of developing this method when compared to the Carvalho’s method have another insight not only technical perspective but also business perspective, including consumer coverage and attractiveness.

 

"

"

Bahasa isyarat merupakan suatu tatanan gerakan yang mewakili suatu kosakata pada bahasa tertentu dan memiliki fungsi untuk membantu penyandang tunarungu dalam mengatasi masalah berkomunikasi. Namun tidak semua masyarakat umum menguasai bahasa isyarat. Dari permasalahan tersebut, sistem penerjemah bahasa isyarat diperlukan dalam membantu proses komunikasi penyandang tunarungu. Sistem penerjemah memerlukan sebuah video gerakan bahasa isyarat untuk kemudian dapat dikenali Dalam sebuah video utuh yang berisi satu sequence gerakan kalimat isyarat terdapat dua jenis gerakan yaitu gerakan isyarat (gesture) yang mengandung arti dan gerakan transisi (non gesture). Pada penelitian ini diusulkan metode untuk menngenali gesture dan non gesture pada kalimat SIBI (Sistem Isyarat Bahasa Indonesia) menggunakan Threshold Conditional Random Field (TCRF). Data yang digunakan adalah 2.255 video rekaman gerakan untuk 28 isyarat kalimat pada SIBI yang di peragakan oleh  tiga orang guru dan dua orang murid dari SLB Santi Rama Jakarta. Untuk merepresentasikan data, pada penelitian ini dibandingkan teknik ekstraksi fitur skeleton, image, gabungan (gabungan antara fitur skeleton dan fitur image) dan MobileNetV2. Untuk klasifikasi digunakan metode TCRF dengan variasi nilai threshold dari 1 sampai 4. Berdasarkan hasil eksperimen, masing-masing teknik ekstraksi fitur menghasilkan akurasi terbaik sebesar 72.5% untuk skeleton dengan threshold 2, 70.3% untuk image dengan threshold 2, 68.5% untuk gabungan dengan threshold 2 dan 93.2% untuk MobileNetV2 dengan threshold 1.5. Berdasarkan akurasi tersebut teknik ekstraksi fitur dengan model MobileNetV2 dapat merepresentasikan data lebih baik dibandingkan dengan ekstraksi skeleton, image, dan gabungan

---

Sign language is a series of movements that represent the vocabulary of a particular language and is designed to help the hearing-impaired communicate. However, not everyone is familiar with the sign language gestures, so a sign language translation system would aid communication by allowing more people to understand sign language gestures. A video that contains a sequence of sign sentences with two types of movements, namely sign movements (word-gestures) which have represent language constructs, and transitional movements (transitional-gesture). A method to identify both word-gestures and transitional-gestures in a variant of the Indonesian Sign Language System called Sistem Isyarat Bahasa Indonesia (hereafter referred to as SIBI) sentences based on the Threshold Conditional Random Field (TCRF) was implemented. The dataset on which the model is trained, consists of 2,255 videos containing recorded movements for 28 commonly used sentences in SIBI, performed by three teachers and two students of the Santi Rama School (Sekolah Luar Biasa), a school for hearing-impaired students. Several feature extraction techniques were tested, including skeleton, image, skeleton-image combination and MobileNetV2. The classification method uses TCRF with variations in TCRF threshold values between 1 to 4 to recognize word-gestures and transitional-gestures, then deleting frames with transitional-gestures label, and obtaining accuracy from LSTM that recognizes words from the per-frame word-gesture label. The best accuracies achieved by each method were 72.5% for skeleton technique with a TCRF threshold of 2; 70.3% for image technique with a TCRF threshold of 2; 68.5 % for skeleton-image combination, with a TCRF threshold of 2; and 93.2% for MobileNetV2 with threshold 1.5. Using MobileNetV2 as a feature extractor yields significantly better results than previous feature extraction methods.

"

"Diabetik retinopati adalah komplikasi dari penyakit diabetes yang dapat mengakibatkan gangguan penglihatan bahkan kebutaan. Penyakit ini menjadi tidak dapat disembuhkan jika telah melewati fase tertentu, sehingga diagnosa sedini mungkin menjadi sangat penting. Namun, diagnosa oleh dokter mata memerlukan biaya dan waktu yang cukup besar. Oleh karena itu, telah dilakukan upaya untuk meningkatkan efisiensi kerja dokter mata dengan bantuan komputer. Deep learning merupakan sebuah metode yang banyak digunakan untuk menyelesaikan masalah ini. Salah satu arsitektur deep learning yang memiliki performa terbaik adalah residual network. Metode ini memiliki kelebihan dalam menghindari masalah degradasi akurasi, sehingga memungkinkan penggunaan jaringan yang dalam. Di sisi lain, metode persistent homology juga telah banyak berkembang dan diaplikasikan pada berbagai masalah. Metode ini berfokus pada informasi topologi yang terdapat pada data. Informasi topologi ini berbeda dengan representasi data yang didapatkan dari model residual network. Penelitian ini melakukan analisis terhadap penerapan persistent homology pada kerangka kerja residual network dalam permasalahan klasifikasi diabetik retinopati. Dalam studi ini, dilakukan eksperimen berkaitan dengan informasi topologi dan proses pengolahannya. Informasi topologi ini direpresentasikan dengan betti curve atau persistence image. Sementara itu, pada proses pengolahannya dilakukan ujicoba pada kanal citra, metode normalisasi, dan layer tambahan. Hasil eksperimen yang telah dilakukan adalah penerapan persistent homology pada kerangka kerja residual network dapat meningkatkan hasil klasifikasi penyakit diabetik retinopati. Selain itu, penggunaan betti curve dari kanal merah sebuah citra sebagai representasi informasi topologi memberikan hasil terbaik dengan skor kappa 0.829 pada data test.

---

Diabetic retinopathy is a complication of diabetes which can result in visual disturbance and even blindness. This disease becomes incurable after reaching certain phases, thus immidiate diagnosis is highly important. However, diagnosis by a professional ophthalmologist requires a great amount of time and cost. Therefore, efforts to increase the work efficiency of ophthalmologists using computer system has been done. Deep learning is a method that widely used to solve this particular problem. Residual network is one of deep learning architecture which has the best performance. The main advantage of residual network is its ability to prevent accuracy degradation, thus enabling the model to go deeper. On the other hand, persistent homology is also rapidly developing and applied in various fields. This method focus on the topological information of the data. This information are different with the data representation that extracted by neural network model. This study analyze the incorporation of persistent homology to residual networks framework for diabetic retinopati classification. In this study, experiments regarding about topological information and its process were carried out. The topological information is represented as betti curve or persistence image. Meanwhile, the experiments are analyzing the impact of image colour channel, normalization method, and additional layer. According to the experiments, application of persistent homology on residual network framework could improve the outcome of diabetic retinopathy classification. Moreover, the application of betti curve from the red channel as a representation of topological information has the best outcome with kappa score of 0.829."

"SIBI merupakan bahasa isyarat resmi yang digunakan di Indonesia. Penggunaan SIBI seringkali ditemukan permasalahan karena banyaknya gerakan isyarat yang harus diingat. Penelitian ini bertujuan untuk mengenali gerakan isyarat SIBI dengan cara mengekstraksi fitur tangan dan wajah yang kemudian diklasifikasikan menggunakan Bidirectional Long ShortTerm Memory (BiLSTM). Ekstraksi fitur yang digunakan dalam penelitian ini adalah Deep Convolutional Neural Network (DeepCNN) seperti ResNet50 dan MobileNetV2, di mana kedua model tersebut digunakan sebagai pembanding. Penelitian ini juga membandingkan performa dan waktu komputasi antara kedua model tersebut yang diharapkan dapat diterapkan pada smartphone nantinya, dimana model tersebut akan diimplementasikan. Hasil penelitian menunjukkan bahwa penggunaan model ResNet50-BiLSTM memiliki kinerja yang lebih baik dibandingkan dengan MobileNetV2-BiLSTM yaitu 99,89%. Namun jika akan diaplikasikan pada arsitektur mobile, MobileNetV2-BiLSTM lebih unggul karena memiliki waktu komputasi yang lebih cepat dengan performa yang tidak jauh berbeda jika dibandingkan dengan ResNet50-BiLSTM.

---

SIBI is a sign language that is officially used in Indonesia. The use of SIBI is often found to be a problem because of the many gestures that have to be remembered. This study aims to recognize SIBI gestures by extracting hand and facial features which are then classified using Bidirectional Long ShortTerm Memory (BiLSTM). The feature extraction used in this research is Deep Convolutional Neural Network (DeepCNN) such as ResNet50 and MobileNetV2, where both models are used as a comparison. This study also compares the performance and computational time between the two models which is expected to be applied to smartphones later, where both models can now be implemented on smartphones. The results showed that the use of ResNet50-BiLSTM model have better performance than MobileNetV2-BiLSTM which is 99.89\%. However, if it will be applied to mobile architecture, MobileNetV2-BiLSTM is superior because it has a faster computational time with a performance that is not significantly different when compared to ResNet50-BiLSTM."

"Salah satu faktor manusia yang dapat menyebabkan kecelakaan lalu lintas adalah pengemudi yang mengantuk dan tidak fokus pada jalan yang ada di hadapannya. Tanda-tanda pengemudi yang mengantuk dapat diamati berdasarkan tiga pengukuran, yaitu uji kinerja, uji fisiologis, dan uji perilaku. Karena uji fisiologis dan kinerja cukup sulit dan mahal untuk dilaksanakan, maka uji perilaku masih menjadi pilihan yang baik untuk digunakan dalam mendeteksi rasa kantuk sejak dini. Salah satu perilaku manusia yang bisa diamati untuk mendeteksi kantuk adalah gerakan mata. Oleh karena itu, penelitian ini akan merancang suatu model untuk mendeteksi rasa kantuk pengemudi secara otomatis berdasarkan uji perilaku yang menganalisis aktivitas mata. Model yang diusulkan akan mendeteksi area mata dan kedipan berdasarkan citra wajah pengemudi menggunakan model deep learning Mask Region Convolutional Neural Network (Mask R-CNN). Kemudian, data kedipan dari masing-masing urutan gambar akan dikalkulasi menggunakan Percentage of Eyelid Closure (PERCLOS) untuk mendeteksi apakah pengemudi dalam keadaan mengantuk atau waspada. Hasil dari penelitian ini menunjukkan hasil akurasi sebesar 0,70. Selain itu, diperoleh nilai precision, recall, dan F1 score dari model Mask R-CNN yaitu 0,667 untuk precision, 0,80 untuk recall, serta 0,727 untuk F1 score.

---

One of the human factors that can cause traffic accidents are the drowsy drivers that do not focus on the road before them. The signs of a drowsy driver can be observed based on three measurements; performance test, physiological test, and behavioural test. Since the physiological and performance test are quite difficult and expensive to implement, the behavioural test is still a good choice to use for detecting early drowsiness. One of the human behaviours that can be observed is the eye movement. Therefore, this study will design a model for automatically detecting driver drowsiness based on a behavioural test, which analyses the eye activity. The proposed model will detect the eye area and state based on drivers’ face images using Mask Region Convolutional Neural Network (Mask R-CNN) deep learning model. Then, the blink data from each image sequence will be calculated using Percentage of Eyelid Closure (PERCLOS) to detect whether the driver is in a drowsy or alert state. The result of this research shows an accuracy score of 0,70. Besides that, the precision, recall, and F1 score are also obtained from the Mask R-CNN model, namely 0,667 for precision, 0,80 for recall, and 0,727 for F1 score."