Hasil Pencarian  ::  Simpan CSV :: Kembali

"Di tengah perkembangan era digital, pertukaran informasi dapat dilakukan dengan mudah melalui Internet khususnya media sosial. Meskipun demikian, informasi yang tersebar seringkali tidak mudah untuk dibuktikan kebenarannya sehingga menjadi sangat rentan terhadap penyebaran berita palsu (hoax). Untuk mengatasi hal tersebut, teknologi Blockchain dapat digunakan sebagai sebuah solusi yang mampu menjamin kredibilitas informasi serta menciptakan lingkungan komunikasi yang terpercaya. Pada penelitian ini, pendekatan berbasis Blockchain diterapkan melalui sistem verifikasi berita untuk mengidentifikasi kebenaran berita dan menyeleksi sumber informasi yang dapat dipercaya. Studi ini mengusulkan sebuah model penyebaran berita di media sosial dengan mengadaptasi prinsip epidemi dan jaringan scale-free. Pengguna dikelompokkan ke dalam empat kondisi status yaitu rentan (ignorants), pemeriksa (verifier), penyebar (spreader), dan penyangkal (stifler). Kemudian, pada model tersebut diintegrasikan sistem verifikasi berita berbasis Blockchain. Efektifitas model diselidiki di dalam simulasi berbasis multi-agen menggunakan software Netlogo. Di dalam simulasi, berita palsu dengan tingkat kebenaran berita 20% memperoleh nilai indikator kredibilitas atau credibility indicator (CI) yang rendah (CI ± 1,5 dari 5) untuk seluruh dimensi jaringan yang berbeda-beda. Penyebaran terhenti lebih cepat karena penyebar berita (spreader) lebih sedikit dibandingkan dengan penyangkal berita (stifler). Selain itu, kredit reputasi atau reputation credit (RC) yang dimiliki sumber berita semakin menurun (RC ± 0,12 dari 1) sehingga mengurangi faktor kepercayaan. Dengan memperlihatkan catatan nilai indikator kredibilitas dan kredit reputasi kepada pengguna selama penyebaran berita, sistem verifikasi berita berbasis Blockchain dapat membatasi penyebaran berita palsu secara efektif serta meningkatkan kualitas konten di media sosial.

---

In recent digital era, information exchange can be done easily through Internet and social media. However, the thruth of news in social media is hard to be proven, and becomes vulnerable toward hoax spreading. As a solution, Blockchain technology can be used to ensure the information reliablility and create trusted communication environment. In this research, Blockchain-based approach is implemented through a news verification system to identify the credibility of news and the sources. This study proposed a model of news spreading in social media by adapting epidemic methodology and scale-free networks. Users is categorized into for state condition tha are ignorants, verifier, spreader, and stifler. Subsequenty, Blokchain-based news verification system is integrated in that model. The model effectiveness is investigated in the multi-agent based simulations using Netlogo software. In the simulations, hoax news with 20 % of true level get a low Credibility Indicator (CI ± 1.5 of 5) for all different network dimensions. The spreading is stopped faster since the number of spreader is less than the stifler. Moreover, the Reputation Credit of the news source is also decreased (RC ± 0,12 of 1) so that the trust factor reduced. By showing the record of credibility indicator and reputation credit to users during the spread of the news, Blockchain-based news verification system can effectively limit hoax spreading and improve the quality of content in social media."

"Keamanan siber menjadi hal yang sangat penting di era digitalisasi yang berkembang dengan sangat cepat. Berbagai teknologi telah dikembangkan untuk menjadi solusi keamanan siber, salah satunya adalah teknologi IDS atau Intrusion Detection System. Teknologi ini sudah cukup lama ada namun masih terus dikembangkan oleh berbagai pihak. Salah satunya adalah proyek Mata Elang yang dikembangkan oleh Politeknik Elektro Negeri Surabaya bekerja sama dengan Universitas Indonesia dan JICA untuk meningkatkan keamanan siber di Indonesia. Penelitian ini membahas tentang analisis modifikasi arsitektur dan sistem orkestrasi kontainer yang ada pada proyek Mata Elang. Perubahan dilakukan pada defense center dengan merancang dan mengimplementasikan arsitektur microservices, yang kemudian diorkestrasi menggunakan Kubernetes dan diterapkan pada platform cloud. Arsitektur microserverices dimaksudkan untuk memberikan fleksibilitas dalam opsi deployment dengan memisahkan komponen defense center menjadi aplikasi independen yang dapat dimuat ke dalam container secara terdistribusi. Container terdistribusi tersebut kemudian diorkestrasi menggunakan Kubernetes agar aplikasi dapat berjalan dengan andal di berbagai lingkungan, termasuk cloud. Penerapan dilakukan pada dua platform cloud: Google Cloud Platform dan Microsoft Azure. Pengujian yang dilakukan berfokus pada dua hal, yaitu performa defense center dan biaya yang dikeluarkan untuk deployment di cloud. Arsitektur microservices berhasil diimplementasikan dan diorkestrasi pada kedua pengujian tersebut dengan menggunakan layanan KaaS pada masing-masing platform cloud. Hasil pengujian menunjukkan bahwa kinerja defense center di GCP lebih unggul dibandingkan dengan di Azure, dan biaya yang dikeluarkan untuk deployment di GCP 30% lebih murah dibandingkan dengan di Azure.

---

Cybersecurity is critical in the era of digitalization that is developing very

quickly. Various technologies have been developed to be a cybersecurity solution,

including IDS or Intrusion Detection System technology. This technology has been

around for quite some time but is still being developed by various parties. One of

them is the Mata Elang project developed by Politeknik Elektro Negeri Surabaya

in collaboration with the University of Indonesia and JICA to improve cybersecurity in Indonesia. This research discusses the analysis of the modification of the existing architecture and container orchestration system in the Mata Elang

project. Changes were made to the defense center by designing and implementing a microservices architecture, which was then orchestrated using Kubernetes and deployed on cloud platforms. Microservices architecture is intended to provide

flexibility in deployment options by separating defense center components into independent applications that can be loaded into containers in a distributed manner. The distributed containers are then orchestrated using Kubernetes to enable the application to run reliably in various environments, including the cloud. Deployment is done on two cloud platforms: Google Cloud Platform and Microsoft Azure. The tests conducted focused on two things, namely, defense center performance and costs incurred for deployment in the cloud. The microservices architecture was successfully implemented and orchestrated in both tests using

KaaS services on the cloud platform. The test results show that the performance of the defense center in GCP is superior to that in Azure, and the costs incurred for deployment in GCP are 30% cheaper than in Azure."

"OpenAirInterface (OAI) 5G dan free5GC merupakan perangkat lunak berbasis open source yang dapat menerapkan sistem telekomunikasi LTE dam SBA beserta protokolnya, dengan menggunakan standar yang diterapkan oleh 3GPP. Pada saat ini, OpenAirInterface 5G banyak digunakan untuk melakukan penelitian mengenai perkembangan sistem telekomunikasi 4G menuju 5G dengan biaya yang relatif lebih murah. Pada penelitian ini, peneliti melakukan evaluasi mengenai kinerja dari penerapan jaringan virtual OpenAirInterface 5G dan free5GC pada cloud platform yang dikelola oleh Google Cloud Platform (GCP). Platform cloud merupakan suatu layanan Infrastructure as a Service (IAAS) untuk membantu mengalokasikan infrastruktur jaringan yang diterapkan. GCP digunakan untuk mempercepat distribusi, konfigurasi, dan implementasi perangkat lunak OpenAirInterface pada cloud platform. Pengukuran kinerja yang dilakukan antara lain dengan mengukur bitrate, latency, jitter, dan kualitas browsing pada percobaan connection-less dan connection-oriented. OAI dengan core network Free5GC pada GCP memiliki performa maksimal dengan rata-rata throughput sebesar 73,50 Mbps untuk penerapan bandwidth 20 Mhz, 35,4 Mbps pada bandwidth 10 Mhz, dan 17,68 untuk bandwidth 5 Mhz. Selain itu, dari hasil yang didapat dapat diambil kesimpulan bahwa layanana browsing OAI dengan core network Free5GC GCP lebih unggul dari penelitian yang dilakukan pada mesin OAI dengan core network OAI EPC pada Cloud Juju dan mesin fisik. Implementasi OAI GCP dengan menggunakan Linux Container dan perangkat lunak otomasi Ansible memiliki kelebihan yang sangat berbeda jaruh dalam kemampuan skalabilitasnya, hal tersebut dikarenakan kemampuan penyebaran aplikasi OAI dapat berjalan secara otomatis dan cepat.

---

OpenAirInterface (OAI) 5G and free5GC are open source-based software that can implement LTE telecommunications systems and protocols, using the standards implemented by 3GPP. At this time, OpenAirInterface 5G is widely used to conduct research on the development of 4G telecommunications systems towards 5G at a relatively lower cost. In this study, researchers evaluate the performance of the implementation of the OpenAirInterface 5G and free5GC virtual networks on a cloud platform managed by Google Cloud Platform (GCP). The cloud platform used will implement the Infrastructure as a Service (IAAS) service to help allocate the implemented network infrastructure. GCP is used to accelerate distribution, configuration, and implementation of OpenAirInterface software on cloud platforms. Performance measurements are carried out, among others, by measuring bitrate, latency, jitter, and throughput in connection-less and connection-oriented experiments. OAI GCP has an average bitrate of 35.4 Mbps during the download process, 18.50 Mbps during the upload process, and an average time of 0.58 ms at jitter. From the results obtained, it can be concluded that the internet performance of OAI GCP is better than the result of research conducted on the Juju OAI Cloud engine and physical OAI, even though the connection-less experiment was carried out simultaneously with the connection-oriented experiment. In addition, the implementation of OAI GCP using Linux Container and Ansible automation software has an advantage in term of its scalability, because the ability to deploy OAI applications can run automatically and faster."

"Skripsi ini membahas tentang pengembangan sistem face recognition yang diaplikasikan pada aplikasi ujian berbasis Android yang diberi nama AyoTest menggunakan FaceNet. Tujuan dari dikembangkannya AyoTest sendiri adalah untuk membantu tenaga pengajar dalam meningkatkan efektivitas pengawasan ujian yang dilakukan secara daring. Penelitian ini diharapkan dapat membantu dalam meningkatkan efektivitas pengawasan ujian daring dengan menggunakan face recognition untuk mengotomatisasi sebagian besar dari kegiatan pengawasan yang sebelumnya harus dilakukan secara manual oleh tenaga pengajar. Berdasarkan hasil penelitian, didapatkan bahwa implementasi sistem face recognition dari aplikasi AyoTest dapat digunakan untuk meningkatkan efektivitas pengawasan ujian, di mana pada proses face authentication akurasi yang didapatkan adalah sebesar 100% bahkan ketika peserta ujian hanya memiliki 1 foto pada basis data wajah dan nilai false negative dan false positive pada proses face monitoring yang tercatat hanya sebesar 16,67% dan 22,22% untuk 18 partisipan yang berhasil melaksanakan ujian.

---

This bachelor thesis discusses the system development of face recognition applied to an Android-based examination application called AyoTest using FaceNet. The purpose of the development of AyoTest itself is to assist teaching staff in increasing the effectiveness of conducting online examinations. This research is hoped to assist in increasing the effectiveness of examination proctoring with face recognition to automate most of the supervisions that previously had to be conducted manually by teaching staff. Based on the results of the research, it was found that the implementation of the face recognition system from the AyoTest application can be used to increase the effectiveness of examination proctoring, where the accuracy score obtained in the face authentication process is 100% even if the examinee only has 1 photo in the face database and the false negative and false positive scores in the face monitoring process were recorded at only 16.67% and 22,22% for 18 participants who successfully carried out the examination."

"Computer vision merupakan cabang dari bidang ilmu kecerdasan buatan yang mempelajari bagaimana sebuah komputer dapat memahami suatu gambar yang diberikan. Salah satu contoh nyata dari penerapan computer vision adalah pengenalan objek bola pada robot sepak bola. Salah satu tantangan yang dapat menyulitkan robot dalam mendeteksi bola adalah warna bola yang sebagian besar berwarna putih. Hal ini menjadi tantangan karena warna putih sangat rentan terhadap noise. Metode tradisional yang hanya dapat mendeteksi satu bentuk saja tidak cukup untuk memenuhi kebutuhan tersebut, karenanya digunakan pendeteksian berdasarkan machine learning. Salah satu metode pengenalan objek berdasarkan machine learning yang sering digunakan adalah metode Jaringan Saraf Tiruan. Pada tulisan ini, sistem penglihatan robot sepak bola untuk mengenali objek bola dirancang menggunakan metode jaringan saraf tiruan dengan library pengolahan citra OpenCV dalam bahasa pemrograman C++. Berdasarkan pengujian kinerja sistem dalam mendeteksi bola pada gambar mendapatkan nilai accuracy sebesar 0.9987, nilai precision sebesar 0.8055, nilai recall sebesar 0.7, dan FPS sebesar 6. Sedangkan kinerja sistem pembanding dengan menggunakan SVM pada dataset yang sama mendapatkan nilai accuracy sebesar 0.988, nilai precision sebesar 0.167, nilai recall sebesar 0.966, dan FPS sebesar 7,7. Setelah kedua metode dibandingkan dapat disimpulkan bahwa metode jaringan saraf tiruan dapat mendeteksi bola lebih akurat berdasarkan nilai F-Score yang didapatkan yaitu 0.749 pada sistem yang dibuat berbanding dengan 0.285 pada sistem pembanding, namun memerlukan waktu proses yang lebih lama.

---

Computer vision is a branch of the field of artificial intelligence that studies how a computer can understand a given image. An example of the application of computer vision is detecting a ball object on a soccer robot. One of the challenges that can make it difficult for the robot to detect the ball is the color of the ball, which is mostly white. This becomes a challenge because white is very susceptible to noise. Traditional methods that can only detect one form are not sufficient to meet these needs, therefore detection based on machine learning is used. One of the object detection methods based on machine learning that is often used is the Artificial Neural Network method. In this paper, the system to detect ball object is implemented using an artificial neural network method with the OpenCV image processing library in the C ++ programming language. Based on testing the performance of the system at detecting ball have the accuracy value of 0.9987, precision value of 0.8055, recall value of 0.7, and FPS of 6. While the performance of the comparison system using SVM on the same dataset gets accuracy value of 0.988, precision value of 0.167, recall value of 0.966, and FPS of 7.7. After the two methods were compared, it can be concluded that the artificial neural network method can detect the ball more accurately based on the F-Score value obtained, which is 0.749 compared to 0.285, but it requires a longer processing time"