📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 6,268 dokumenDETEKSI OSILASI PADA SISTEM INTERKONEKSI DENGAN MENGGUNAKAN DATA FASOR
Pemadaman meluas atau blackout pada sistem interkoneksi tenaga listrik dapat terjadi apabila batas kestabilan sistem tenaga listrik terlampaui. Beberapa kejadian pemadaman listrik di dunia dan juga di Indonesia biasanya diawali dengan adanya gangguan pada salah satu segmen sistem transmisi dan berdampak pada seluruh sistem yang saling berhubungan. Osilasi pada sistem tenaga listrik atau osilasi sistem tenaga frekuensi rendah merupakan salah satu fenomena dalam suatu sistem interkoneksi tenaga listrik yang juga muncul sebelum terjadinya pemadaman listrik. Osilasi ini biasanya dapat dilihat pada rekaman gangguan setelah kejadian dan sering digunakan sebagai analisis post-mortem untuk menunjukkan hubungan antar osilasi generator dalam sistem tenaga listrik. Adanya standar baru dan peralatan baru pengukuran fasor tersinkronisasi (synchrophasor) dengan menggunakan Phasor Measurement Unit (PMU) memungkinkan untuk mengetahui terlebih dahulu kondisi osilasi tersebut sebelum sistem tenaga listrik mengalami gangguan yang lebih besar atau meluas. Salah satu metode yang sering digunakan dalam menentukan adanya osilasi pada suatu sistem tenaga listrik adalah analisis Prony. Penelitian ini diharapkan dapat mengetahui metode pemantauan osilasi pada sistem tenaga listrik dengan menggunakan data fasor sinkronisasi dan juga korelasi antara data PMU pada beberapa bus terhadap osilasi tersebut. Penerapan analisis Prony pada pemrosesan sinyal sistem tenaga dipelajari untuk mendeteksi osilasi. Analisis prony adalah teknik yang ampuh untuk memperkirakan parameter suatu sinyal. Dalam sistem tenaga listrik, analisis Prony dapat digunakan untuk memperkirakan parameter sinyal sistem tenaga, seperti tegangan, arus, dan frekuensi, yang penting untuk pemantauan, pengendalian, dan perlindungan sistem tenaga. Tulisan ini membahas tentang prinsip analisis Prony, kelebihan dan keterbatasannya, serta penerapannya dalam mendeteksi osilasi sistem tenaga listrik. Kinerja analisis Prony dievaluasi menggunakan data simulasi dan pengukuran real-time dari interkoneksi sistem tenaga listrik nyata di Indonesia. Hasilnya menunjukkan bahwa analisis Prony dikombinasikan dengan korelasi data PMU merupakan metode yang andal dan efisien untuk mendeteksi osilasi sistem tenaga.
PENGEMBANGAN ANTARMUKA DAN IMPLEMENTASI PLATFORM EKSPERIMEN JARINGAN BERKINERJA TINGGI DENGAN DATA PLANE DEVELOPMENT KIT (DPDK) DAN VECTOR PACKET PROCESSOR (VPP)
Penelitian ini mengkaji perbandingan kinerja pemrosesan paket jaringan pada server general-purpose menggunakan teknologi kernel bypass (DPDK dan VPP) dan stack jaringan Linux konvensional. Dengan pertumbuhan data yang eksplosif dan kebutuhan akan aplikasi real-time, efisiensi pemrosesan paket menjadi sangat krusial. Metodologi penelitian melibatkan pengembangan platform eksperimen jaringan dinamis berkinerja tinggi yang terintegrasi dengan testbed 100Gbps ITB, dirancang untuk memfasilitasi eksperimen otomatis. Platform ini terdiri dari tiga subsistem: User Interface untuk input skenario, Automation sebagai orkestrator menggunakan Ansible, dan Infrastructure untuk eksekusi eksperimen dan pengukuran. Hasil pengujian menunjukkan bahwa VPP dan DPDK secara signifikan meningkatkan throughput paket per core dibandingkan dengan jaringan Linux, memproses lebih banyak lalu lintas dengan alokasi CPU yang sama. Dalam skenario Receive-Only, Basic Forwarding, Increasing Routing Table, dan Network Address Translation, DPDK-VPP menunjukkan peningkatan kinerja yang substansial (masing-masing 15x, 60x, 17x, dan 35x lebih tinggi). Meskipun dalam skenario Varying Destination IP Addresses & Source Ports VPP tidak selalu melampaui Linux Kernel dalam total paket yang diterima, kemampuannya untuk membatasi alokasi CPU sejak awal merupakan keuntungan, menjadikannya lebih tangguh terhadap serangan DDoS dengan menghindari kelelahan CPU bahkan di bawah lalu lintas tinggi. Penelitian ini menyimpulkan bahwa teknologi kernel bypass menawarkan solusi superior untuk kebutuhan jaringan berperforma tinggi.
MINING TOURISM DESTINATION PATTERNS AND INSTAGRAM INFLUENCER BEHAVIOR FOR AN INSTAGRAM SOCIAL MEDIA BOT
Instagram has now become one of the main channels for promoting tourist destinations, driven by the active role of influencers in shaping public perception. This study designs an Instagram bot named Nusava, a prototype social media bot developed to leverage the behavioral patterns and popularity of tourism influencer accounts. Nusava consists of four main modules: the data mining module, the Large Language Model (LLM) module, the dashboard module, and the automation system module. The data mining module is responsible for providing general information about tourist destinations, tourism destination patterns, and influencer behavior. Destination information is obtained through scraping from the Tiket.com and Traveloka platforms. Tourism destination patterns are analyzed using similarity measurement with the cosine distance function. In addition, the data mining module also calculates the geographical distance between tourist attractions, so that destinations that are geographically close and share similar characteristics can be recommended. To obtain influencer behavioral pattern data, user interaction data on Instagram needs to be stored in a social network, which is then divided into several communities using the Speaker-Listener Label Propagation (SLPA) algorithm. Within each community, the users who are influencers in that community and the popular posts will be analyzed. Afterwards, the data mining module will be integrated with the LLM module to provide labels and brief descriptions of these communities. This study mined 1,348 tourist attractions, formed a social network containing 479,442 users and 2,287 posts, and discovered 290 communities. Through testing and evaluation, the results show that an Instagram social media bot based on LLM and data mining can support the promotion process of tourist attractions.
PENGEMBANGAN MODUL VISUALISASI ROLLING SPHERE METHOD DAN PENEMPATAN TIANG PROTEKSI PADA PERANGKAT LUNAK SISTEM PROTEKSI PETIR
Indonesia merupakan negara tropis yang terletak di garis khatulistiwa, sehingga memiliki karakteristik petir yang berbeda dibandingkan dengan negara lain. Frekuensi petir yang cukup tinggi serta muatan petir yang tajam menyebabkan perlunya penyesuaian parameter dalam perancangan sistem proteksi petir. Perancangan sistem proteksi petir dilakukan menggunakan metode rolling sphere untuk menentukan area perlindungan dari sambaran petir. Namun pada praktiknya, proses perancangan tersebut masih dilakukan secara manual oleh engineer, sehingga mengurangi efektivitas dan akurasi perhitungan. Untuk mengatasi permasalahan ini, dikembangkan sebuah perangkat lunak yang mendukung perancangan sistem proteksi petir dengan metode rolling sphere secara visualisasi 3D yang terintegrasi dengan AutoCAD. Dengan berfokus pada objek prisma segi empat dan prisma segi tiga, perangkat lunak mampu melakukan visualisasi rolling sphere method secara tepat dan optimal. Penggambaran visualisasi dilakukan dengan memanfaatkan persamaan lingkaran untuk mengetahui letak jatuhnya bola dan menggambarkan objek 2D yang menyerupai alas objek. Selain itu, pada perangkat lunak terdapat pula visualisasi penempatan tiang. Titik penempatan tiang ini berguna untuk meningkatkan level proteksi masing-masing bangunan. Setiap bangunan yang terdiri dari beberapa objek akan dilakukan penempatan tiang sesuai dengan rumus dan evaluasi kondisi yang ada. Hasil pengujian perangkat lunak, baik secara kode maupun dengan melibatkan pengguna, menunjukkan bahwa perangkat lunak ini mampu membantu engineer dalam merancang sistem proteksi petir dengan peningkatan efektivitas dan efisiensi hanya dengan membutuhkan waktu sekitar 10 menit. Dengan demikian, perangkat lunak ini diharapkan dapat menjadi solusi dalam meningkatkan akurasi dan produktivitas dalam perancangan sistem proteksi petir.
PERSONALISASI DAN MITIGASI BIAS PADA DATASET DAISEE UNTUK ENGAGEMENT RECOGNITION MENGGUNAKAN METODE GENERATIVE ADVERSARIAL NETWORK
Sistem engagement recognition berperan penting dalam mendukung efektivitas pembelajaran daring, namun masih terkendala bias terhadap karakteristik individu serta keterbatasan jumlah dan kualitas data pada dataset publik seperti DAiSEE. Penelitian ini mengusulkan pendekatan personalisasi adaptif untuk mengenali engagement dengan data pelatihan terbatas. Pendekatan utama meliputi subjectspecific fine-tuning dan augmentasi data berbasis Generative Adversarial Network (GAN). Fine-tuning dilakukan menggunakan data spesifik masing-masing subjek, sedangkan augmentasi dilakukan melalui manipulasi laten dengan StyleGAN. GFPGAN digunakan untuk restorasi wajah guna mengatasi oklusi kacamata yang mengganggu deteksi wajah. Penelitian ini juga menggunakan label berbasis selfreport, memungkinkan model mempelajari engagement dari persepsi internal setiap subjek. Hasil evaluasi menunjukkan bahwa pendekatan fine-tuning meningkatkan kinerja model secara konsisten, dengan rata-rata peningkatan akurasi sebesar 13,4- 19,3% dibandingkan baseline. Pendekatan ini juga mengatasi penurunan kinerja sebesar 14,39% yang dialami model baseline dalam pengujian cross-dataset, menegaskan efektivitas personalisasi dalam menghadapi perbedaan domain. Augmentasi berbasis GAN meningkatkan kinerja sebesar 5,9%, mencapai hasil sebanding atau lebih baik dibanding augmentasi geometris, meskipun menggunakan jumlah data sintetis yang lebih sedikit. Temuan ini menunjukkan bahwa personalisasi dan augmentasi dapat meningkatkan keandalan sistem engagement recognition, terutama dalam kondisi data dunia nyata yang terbatas.
PENGEMBANGAN PENGUKURAN VISKOSITAS DARAH NON-INVASIF DENGAN PENGOLAHAN CITRA PADA NAILFOLD CAPILLAROSCOPY
Viskositas darah merupakan parameter penting dalam skrining kondisi kesehatan karena mencerminkan fungsionalitas darah dan aliran sistemik, yang berpengaruh terhadap perfusi jaringan. Meskipun signifikan, metode pengukuran konvensional cenderung invasif, mahal, dan tidak ideal untuk pemantauan berkelanjutan. Penelitian ini mengeksplorasi potensi nailfold capillaroscopy sebagai pendekatan minimal invasif untuk memperkirakan viskositas darah berdasarkan parameter aliran. Proses pengolahan citra dilakukan dalam lima tahap untuk mengekstraksi diameter kapiler, panjang lintasan, dan kecepatan aliran menggunakan optical flow pada tiga wilayah morfologis: ascending, curve, dan descending. Dengan memodifikasi persamaan Hagen-Poiseuille dan mempertimbangkan konstanta kehilangan energi di bagian curve, diperoleh estimasi viskositas darah sebesar 0.00506 Pa·s yang masih dalam rentang normal meskipun mendekati batas atas. Ditemukan bahwa rata-rata kecepatan aliran terendah berada pada region curve, sementara diameter kapiler paling besar juga terdapat di area ini. Perbedaan morfologi kapiler menunjukkan adanya efek kehilangan energi dan distorsi struktural yang signifikan pada belokan pembuluh. Analisis korelasi menunjukkan bahwa tekanan darah berhubungan positif dengan viskositas dan negatif dengan diameter kapiler serta kecepatan aliran. Aktivitas fisik menunjukkan efek vasokonstriksi adaptif, sedangkan kebiasaan merokok dan konsumsi alkohol menunjukkan korelasi positif terhadap kecepatan aliran, kemungkinan karena efek vasodilatasi sementara. Hasil ini mendukung bahwa nailfold capillaroscopy berpotensi digunakan untuk estimasi viskositas darah secara non-invasif, terutama dalam konteks klinis dengan keterbatasan akses terhadap alat laboratorium konvensional.
PENGEMBANGAN MODEL DETEKSI DAN PREDIKSI RISIKO PENYAKIT ALZHEIMER DENGAN PENDEKATAN PEMBELAJARAN MESIN DAN ANALISIS SURVIVAL
Penyakit Alzheimer merupakan penyakit neurodegeneratif yang menjadi penyebab utama demensia di kalangan lansia dan belum memiliki obat. Deteksi dini dan prediksi risiko menjadi kunci untuk penanganan yang lebih efektif. Penelitian ini bertujuan untuk mengembangkan model deteksi status kognitif (Normal, Mild Cognitive Impairment/MCI, dan Alzheimer's Disease/AD) serta model prediksi risiko konversi ke AD menggunakan pendekatan machine learning dan analisis survival. Model ini dirancang untuk dapat diimplementasikan pada fasilitas layanan kesehatan di Indonesia dengan memfokuskan pada fitur non-invasif dan non-radiologis. Data yang digunakan berasal dari dataset National Alzheimer’s Coordinating Center (NACC) dengan subjek ras Asia. Setelah melalui proses pembersihan, pra-pemrosesan, dan seleksi fitur iteratif menggunakan Recursive Feature Elimination (RFE), 13 fitur klinis dan neuropsikologis terpilih sebagai prediktor utama. Model deteksi terbaik dikembangkan menggunakan algoritma Random Forest, yang berhasil mencapai akurasi sebesar 92,7%; F1-Macro 90,4%; dan AUC-ROC 98,3%. Untuk prediksi risiko, model Random Survival Forest (RSF) menunjukkan performa unggul dengan Concordance Index (C-index) sebesar 0,970 dan Brier Score 0,0184. Hasil penelitian ini menunjukkan bahwa dengan menggunakan 13 fitur terpilih, kedua model mampu memberikan performa yang sangat baik dan berpotensi untuk diimplementasikan sebagai alat bantu skrining dan prediksi risiko Alzheimer yang efisien di layanan kesehatan primer.
PENGEMBANGAN APLIKASI WEB UNTUK DETEKSI INTERAKSI OBAT BERISIKO BERBAHAYA PADA RESEP OBAT
Tugas Akhir ini membahas pengembangan aplikasi web untuk mendeteksi potensi interaksi obat berisiko berbahaya pada resep pasien. Latar belakang penelitian ini berasal dari hasil wawancara dengan tenaga kesehatan di Klinik Pratama ITB, yang menyatakan bahwa proses verifikasi interaksi obat masih dilakukan secara manual dengan mengandalkan daya ingat apoteker senior maupun aplikasi referensi berbasis teks oleh apoteker junior. Proses manual tersebut dinilai tidak efisien, rentan terhadap kesalahan manusia (human error), serta memerlukan waktu yang cukup lama, terutama pada resep dengan jumlah obat yang banyak. Oleh karena itu, diperlukan sistem otomatis yang mampu membantu apoteker dalam memverifikasi interaksi obat secara cepat, akurat, dan konsisten. Penelitian ini bertujuan untuk: (1) merancang dan mengimplementasikan sistem verifikasi interaksi obat berbasis web yang mendeteksi potensi interaksi secara otomatis berdasarkan input nama obat generik maupun paten dalam resep pasien, serta (2) mengevaluasi performa sistem dalam hal efisiensi waktu dan penggunaan memori melalui perbandingan beberapa metode pencarian data. Sistem dikembangkan dengan menggunakan model waterfall, meliputi analisis kebutuhan, perancangan, implementasi, dan pengujian. Teknologi yang digunakan meliputi PHP sebagai bahasa pemrograman utama, MySQL sebagai basis data, serta HTML, CSS, dan JavaScript untuk antarmuka pengguna. Dataset disusun berdasarkan data obat dari BPOM dan data interaksi zat aktif dari DDInter, yang telah dinormalisasi dan diindeks untuk mendukung proses pencarian. Pengujian dilakukan melalui dua tahap. Pertama, uji fungsionalitas untuk memastikan sistem dapat berjalan sesuai rancangan dan memberikan keluaran yang benar. Kedua, uji performa dengan membandingkan enam metode pencarian data (Simple Dictionary, Nested Dictionary, MultiIndex Pandas berbasis memori, MultiIndex Pandas berbasis file, PHP CSV File Lookup, dan PHP Database Lookup). Uji coba dilakukan pada skenario beban 50, 100, 150, 200, hingga 250 resep per hari, termasuk skenario stres dengan jumlah obat per resep 4–6 item. ii Parameter yang dianalisis mencakup waktu eksekusi, penggunaan memori heap, dan RSS memory. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi interaksi obat dengan akurat dan menampilkan hasil dalam format ringkas yang mudah dipahami. Evaluasi performa menunjukkan bahwa PHP CSV File Lookup memiliki waktu eksekusi tercepat (<2 detik) tetapi boros memori (±52 MB RSS), sehingga kurang sesuai untuk multi-user environment. Sebaliknya, PHP Database Lookup menawarkan waktu eksekusi yang masih memadai (13–166 detik) dengan konsumsi memori sangat rendah (±2–6 MB RSS) serta dukungan concurrency control dan indeksasi bawaan MySQL. Hal ini menjadikan PHP Database Lookup sebagai metode paling optimal untuk implementasi di lingkungan rumah sakit dengan kebutuhan akses bersamaan dan integrasi dengan sistem informasi klinis. Implementasi sistem ini menghasilkan aplikasi web yang dapat meningkatkan efisiensi kerja apoteker dan dokter dalam proses verifikasi resep serta berpotensi dikembangkan lebih lanjut menjadi bagian dari clinical decision support system (CDSS) yang terintegrasi dengan rekam medis elektronik. Penelitian ini turut memberikan kontribusi dalam pemilihan metode teknis yang optimal untuk pengelolaan data interaksi obat berskala besar dengan efisiensi waktu dan sumber daya.
PENGARUH PENAMBAHAN LARGE FIELD-OF-VIEW (FOV) TERHADAP PERFORMA MODEL DETEKSI SEL TUMOR: STUDI KASUS PADA OCELOT DATASET
Setelah diterbitkannya OCELOT dataset, hanya sedikit penelitian yang menganalisis pengaruh penambahan large FoV terhadap performa model deteksi sel tumor sehingga analisis mengenai kelebihan dan kelemahan pendekatan tersebut masih kurang dieksplorasi. Oleh karena itu, pada penelitian ini dibangun model deteksi sel yang memanfaatkan small FoV dan large FoV, kemudian dianalisis pengaruh penambahan large FoV pada performa model deteksi sel tumor. Dari hasil yang didapatkan, berhasil dibangun model deteksi sel tumor yang memanfaatkan small FoV dan large FoV dengan mengintegrasikan cancer area probability map dari model segmentasi jaringan ke tahap data preparation, dan tahap post-processing pipeline deteksi sel. Selain itu, analisis penambahan large FoV menunjukkan peningkatan performa model deteksi sel pada sebagian besar metrik evaluasi yang digunakan, terutama pada metrik mF1-score yang meningkat dari 0.5724 menjadi 0.6929. Umumnya penambahan large FoV meningkatkan akurasi deteksi sel pada banyak sampel. Namun, terdapat kasus dimana penambahan ini tidak memberi peningkatan yang berarti seperti: saat kedua kelas sel tersebar secara acak, dan saat informasi cancer area probability map yang diintegrasikan tidak akurat. Temuan tersebut diharapkan dapat menjadi informasi berguna bagi penelitian selanjutnya yang melibatkan deteksi sel multi-skala untuk menentukan dan menyusun pendekatan deteksi sel yang ingin dilakukan.
ANALISIS KINERJA ERASURE CODING TERHADAP REPLIKASI PADA KEY-VALUE STORE DATABASE TERDISTRIBUSI
Algoritma erasure coding dapat mengurangi jumlah data yang ditransfer dalam sebuah sistem terdistribusi. Dengan operasi I/O yang melibatkan transfer data menjadi faktor utama dalam kinerja sistem terdistribusi, erasure coding menjadi solusi yang menarik untuk meningkatkan efisiensi penyimpanan dan kinerja sistem. Penelitian ini bertujuan menganalisis kinerja erasure coding dibandingkan replikasi pada sistem key-value store database terdistribusi, khususnya pada response time sistem dalam operasi write dan read. Dalam memenuhi tujuan tersebut, penelitian ini mengimplementasikan sistem database terdistribusi yang mendukung kedua mekanisme redundansi tersebut serta membuat sistem benchmark yang dapat memvariasikan parameter bandwidth jaringan dan ukuran payload. Untuk analisis pada penelitian ini, digunakan bandwidth sebesar 1Mbps, 10-70Mbps, dan 10Gbps. Sementara itu, ukuran payload yang digunakan adalah 1KB dan 200-1000KB. Hasil penelitian menunjukkan bahwa erasure coding memiliki response time lebih rendah dibandingkan replikasi pada operasi write ketika bandwidth jaringan terbatas dan ukuran payload cukup besar. Namun, replikasi konsisten mengungguli erasure coding dalam operasi read karena kompleksitas rekonstruksi data. Penggunaan erasure coding lebih unggul untuk distributed key-value store database yang beroperasi dengan data besar di lingkungan dengan jaringan terbatas. Namun, replikasi unggul untuk sistem yang menangani data kecil dengan infrastruktur jaringan baik.
ANALISIS EFEKTIVITAS AUGMENTASI DATA DALAM PENINGKATAN KINERJA ALGORITMA QCNN
Quantum Convolutional Neural Network (QCNN) merupakan arsitektur yang menggabungkan keunggulan pemrosesan kuantum dengan konsep konvolusi dari deep learning. Namun, keterbatasan ukuran dataset dan kompleksitas pemrosesan kuantum seringkali menjadi kendala dalam mencapai kinerja optimal. Penelitian ini bertujuan untuk menganalisis efektivitas berbagai teknik augmentasi data dalam meningkatkan kinerja algoritma QCNN, baik pada model kuantum murni maupun model hybrid dengan pendekatan transfer learning dari CNN klasik. Teknik augmentasi yang digunakan terbagi menjadi tiga kategori utama: geometric transformation, photometric transformation, dan kombinasi keduanya. Geometric meliputi rotasi acak, flipping horizontal dan vertikal, serta affine transformation. Photometric mencakup variasi brightness, contrast, saturation, dan hue menggunakan color jitter. Masing-masing transformasi diuji dalam beberapa konfigurasi yang terpisah. Hasil eksperimen menunjukkan bahwa augmentasi memberikan dampak signifikan pada model full QCNN, khususnya ketika dikombinasikan dengan angle encoding. Teknik kombinasi geometric dan photometric C1 (perubahan rotasi, flip serta penyesuaian brightness dan contrast) menghasilkan peningkatan akurasi hingga 87.00%, dengan rata-rata improvement sebesar 27.27% dibandingkan baseline tanpa augmentasi. Sebaliknya, pada model hybrid QCNN, peningkatan kinerja paling signifikan dicapai oleh teknik photometric P3 (perubahan saturation dan hue), dengan akurasi maksimum 73.00% dan rata-rata improvement 12.93% saat menggunakan arsitektur ResNet18. Temuan ini memperkuat potensi augmentasi data sebagai strategi penting dalam pengembangan model QCNN yang lebih akurat.
PENGEMBANGAN NETWORK INTRUSION DETECTION SYSTEM DENGAN PEMBELAJARAN KOLABORATIF TANPA PERTUKARAN DATA
Meningkatnya serangan siber di berbagai sektor menuntut pengembangan Network Intrusion Detection System (NIDS) yang lebih andal. Signature-based NIDS yang umum digunakan memiliki keterbatasan dalam mendeteksi serangan yang telah dimodifikasi. Oleh karena itu, berbagai penelitian mulai mengembangkan machine learning-based NIDS sebagai alternatif. Namun, pendekatan ini masih menghadapi tantangan, seperti terbatasnya dataset pada tiap organisasi dan tidak dimungkinkannya pertukaran dataset antarorganisasi untuk melakukan pelatihan secara terpusat. Selain itu, serangan selalu bersifat dinamis yang menyebabkan perubahan distribusi data seiring waktu. Hal ini dapat menurunkan kinerja model. Untuk mengatasi tantangan tersebut, tugas akhir ini menggunakan pendekatan Serial Federated Learning (SFL) untuk melakukan pelatihan antarorganisasi disertai dengan Continual Learning (CL) untuk memastikan model dapat mempertahankan pengetahuan lama saat model dilatih dengan jenis serangan baru. Eksperimen dilakukan dengan menggunakan dataset CIC-IDS2017 dengan urutan pelatihan serangan secara bertahap dimulai dari Bot, DDoS, DoS, PortScan, dan WebAttack. Setelah membandingkan beberapa teknik CL seperti Elastic Weight Consolidation, (EWC), Synaptic Intelligence (SI), Memory Aware Synapse (MAS), dan Learning without Forgetting (LwF), diperoleh bahwa MAS paling efektif dalam mempertahankan pengetahuan lama sambil mempelajari serangan baru. Setelah tahap eksperimen selesai, dikembangkan NIDS yang mengintegrasikan model terbaik yang dihasilkan pada tahap eksperimen. Selanjutnya, dilakukan pengujian terhadap fungsionalitas NIDS yang menunjukkan NIDS berfungsi dengan baik. Kemudian, NIDS dijalankan pada kontainer Docker dan diuji dengan berbagai kakas seperti Slowhttptest, HULK, Nmap, SQLmap, dan Hydra. Pengujian menunjukkan bahwa NIDS mampu mendeteksi serangan dengan baik. Namun, terdapat beberapa varian serangan yang tidak terdeteksi karena kesalahan pada dataset dan jenis serangan yang menggunakan vulnerability yang sudah obsolete.
PEMBANGUNAN SISTEM VISUALISASI EMISI MODA TRANSPORTASI RUTE BANDUNG–JAKARTA DENGAN INTEGRASI DATA REAL-TIME
Sektor transportasi merupakan penyumbang signifikan emisi gas rumah kaca (GRK) di Indonesia, dengan rute Bandung–Jakarta sebagai salah satu koridor tersibuk yang melibatkan berbagai moda dengan karakteristik konsumsi energi berbeda. Tugas akhir ini mengembangkan sistem berbasis web untuk menghitung dan memvisualisasikan emisi GRK pada rute tersebut melalui integrasi data real time cuaca dan lalu lintas, serta konfigurasi skenario oleh pengguna. Perhitungan dilakukan menggunakan pendekatan bottom-up berbasis aktivitas dengan mempertimbangkan konsumsi energi, faktor emisi, kapasitas penumpang, dan jarak tempuh, disertai koreksi kondisi aktual. Sistem menyediakan dua mode utama, yaitu kalkulasi real-time dan simulasi skenario. Hasil pengujian menunjukkan sistem mampu menampilkan visualisasi emisi pada segmen rute perjalanan dan menyajikan perbandingan antar moda dalam berbagai skenario. Sistem ini diharapkan menjadi sarana analisis dan edukasi untuk mendukung perencanaan transportasi rendah emisi di Indonesia.
PENGEMBANGAN SCALABLE BACK-END UNTUK APLIKASI ESTIMASI RISIKO DIABETES BERBASIS AI
Diabetes merupakan salah satu penyakit kronis yang prevalensinya terus meningkat secara global dan memerlukan sebuah alat untuk melakukan estimasi risiko diabetes untuk mencegah komplikasi serius. Pengembangan sistem prediksi diabetes berbasis machine learning memerlukan arsitektur back-end yang scalable dan responsif untuk dapat melayani sejumlah besar pengguna secara bersamaan. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem back-end scalable untuk aplikasi prediksi diabetes yang mampu melayani hingga 10.000 pengguna aktif dengan failure rate ? 5% dan latensi rata-rata ? 1000 milidetik. Pengujian dilakukan menggunakan skenario beban yang merepresentasikan kondisi riil penggunaan, melibatkan pengukuran tiga metrik utama yaitu response time untuk mengukur waktu rata-rata yang dibutuhkan sistem dalam merespons permintaan, error rate untuk menilai persentase kegagalan proses, dan throughput untuk menghitung jumlah permintaan yang dapat diproses per detik. Pengujian beban dilakukan secara bertahap mulai dari 1.000 hingga 10.000 pengguna aktif, sehingga terlihat tren kinerja sistem pada peningkatan skala beban. Hasil evaluasi sistem menunjukkan bahwa dari 24 fitur yang diuji, 20 fitur (83%) berhasil mencapai target kinerja yang ditetapkan dengan status PASS dan 4 fitur mencapai status PARTIAL. Fitur-fitur inti seperti manajemen profil pengguna, aktivitas, dan operasi prediksi read berhasil memenuhi standar kinerja. Implementasi komunikasi asinkron dengan RabbitMQ terbukti efektif dalam meminimalkan error dengan menyimpan semua request prediksi dalam queue sehingga sistem dapat memproses permintaan secara bertahap tanpa kehilangan data dan meningkatkan keandalan sistem secara keseluruhan.
PENGEMBANGAN DECISION SUPPORT SYSTEM EMISI KARBON DARI AKTIVITAS MAHASISWA INSTITUT TEKNOLOGI BANDUNG BERBASIS DYNAMIC DATA VISUALIZATION
Pemanasan global akibat emisi karbon menuntut respons adaptif dari berbagai sektor, termasuk institusi pendidikan tinggi. Institut Teknologi Bandung (ITB) menghadapi tantangan signifikan dengan ketiadaan sistem terintegrasi yang mampu memantau, menganalisis, dan menyajikan data emisi karbon dari aktivitas mahasiswa secara terstruktur dan informatif. Kondisi ini menghambat identifikasi kontributor emisi utama dan perumusan kebijakan green campus yang efektif dan berbasis data. Tugas akhir ini mengusulkan pengembangan Decision Support System (DSS) yang secara spesifik dirancang untuk mengatasi permasalahan tersebut. DSS ini mampu memvisualisasikan estimasi emisi karbon dari aktivitas mahasiswa ITB secara dinamis dan interaktif, menjadikannya alat penting untuk mendukung analisis dan pengambilan keputusan. Data aktivitas mahasiswa diakuisisi melalui kuesioner, kemudian diproses menggunakan metode Extract, Transform, Load (ETL) untuk membersihkan, menghitung estimasi emisi, dan menyusun data ke database PostgreSQL (Supabase). Dashboard interaktif dibangun dengan Python (Streamlit dan Plotly) untuk menyajikan data terstruktur ini. Sistem ini secara fungsional mampu mengidentifikasi sumber emisi utama (transportasi, elektronik, sampah makanan), menyajikan berbagai visualisasi interaktif yang relevan, serta menyediakan laporan berisi insight dan rekomendasi kebijakan. Dengan kapabilitas ini, DSS tidak hanya menjadi alat pemantauan, tetapi juga fondasi yang kuat bagi ITB untuk merancang intervensi yang tepat sasaran dalam mencapai target green campus dan mendorong budaya ramah lingkungan di kalangan civitas akademika.