📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 101,300 dokumenPERTAHANAN TERHADAP DYNAMIC BACKDOOR ATTACK PADA MODEL CONVOLUTIONAL NEURAL NETWORK
Tugas akhir ini membahas pengembangan dan evaluasi pertahanan terhadap serangan Conditional Backdoor Generating Network (c-BaN) pada model Convolutional Neural Network (CNN). Serangan backdoor c-BaN menyisipkan trigger pada data pelatihan yang menyebabkan model memetakan input ber-trigger ke kelas target saat inferensi. Tujuan penelitian ini adalah untuk mengeksplorasi kombinasi teknik Convolutional Denoising Autoencoder (CNN-DAE), Defensive Distillation (DD), dan Test-Time Augmentation (TTA) untuk meningkatkan ketahanan model terhadap serangan backdoor c-BaN, dengan menjaga akurasi pada data bersih. CNN-DAE bertugas menyaring trigger pada input, DD mengurangi sensitivitas model terhadap gangguan dengan soft-label, dan TTA memberikan variasi input untuk membingungkan trigger. Eksperimen dilakukan pada tiga dataset: MNIST, Fashion MNIST, dan CIFAR-10, dengan mengevaluasi pengaruh teknik pertahanan terhadap utility dan Attack Success Rate (ASR). Ablation study dilakukan untuk mengevaluasi kontribusi setiap teknik secara terpisah dan dalam kombinasi, mengidentifikasi teknik yang efektif menurunkan ASR tanpa mengorbankan utility secara signifikan. Hasilnya menunjukkan bahwa kombinasi CNN-DAE dan DD memberikan hasil terbaik dengan penurunan ASR signifikan pada semua dataset, sementara TTA memberikan manfaat terbatas dan menurunkan utility secara signifikan. Penelitian ini juga membahas trade-off antara robustness dan utility, serta memberikan rekomendasi penggunaan teknik pertahanan yang optimal dalam menghadapi serangan backdoor c-BaN.
PENERAPAN KECERDASAN BUATAN DENGAN PENDEKATAN HYBRID UNTUK PENYELESAIAN OTOMATIS KONFLIK MERGE
Dalam pengembangan perangkat lunak modern, konflik merge merupakan salah satu tantangan utama yang dihadapi pengembang ketika bekerja secara kolaboratif menggunakan sistem kontrol versi. Konflik ini terjadi karena adanya perubahan kode dari beberapa pengembang yang tidak dapat digabungkan secara otomatis. Konflik ini memerlukan intervensi manual yang memakan waktu dan berisiko menimbulkan kesalahan. Seiring dengan kemajuan teknologi, pendekatan berbasis kecerdasan buatan mulai dikembangkan untuk mempermudah penyelesaian konflik merge. Salah satu pendekatan yang menjanjikan adalah model hybrid klasifikasi-generasi yang menggabungkan kemampuan model generatif dan diskriminatif. Model ini mampu memahami konteks kode sekaligus mengklasifikasikan dan menghasilkan solusi resolusi konflik secara otomatis. Model dilatih menggunakan data konflik dalam satu bahasa pemrograman guna meningkatkan kontekstualisasi dan akurasi resolusi. Sistem yang dikembangkan dirancang untuk mengidentifikasi pola konflik dan menghasilkan resolusi yang selaras dengan struktur kode dan maksud pengembang. Evaluasi terhadap performa model dengan pendekatan hybrid menunjukkan adanya peningkatan dalam efektivitas dan efisiensi proses merge dibandingkan metode manual, serta mengurangi beban kognitif pengembang. Penelitian ini menunjukkan potensi adopsi model hybrid klasifikasi-generasi sebagai solusi praktis dalam resolusi konflik merge, meningkatkan kualitas kolaborasi perangkat lunak berbasis kontrol versi.
PENGEMBANGAN SOAL POHON KEPUTUSAN INTERAKTIF UNTUK MENDUKUNG PROSES PEMBELAJARAN BERPIKIR KOMPUTASIONAL
Platform pembelajaran berpikir komputasional seperti Bebras Challenge sering kali menyajikan soal dalam format statis, sehingga membatasi interaktivitas pengguna. Keterbatasan ini sangat terasa pada soal berbasis pohon keputusan, yang potensinya belum optimal. Penelitian ini bertujuan untuk mentransformasi konsep soal pohon keputusan statis menjadi simulasi yang dinamis dan interaktif serta merancang dan mengimplementasikan sistem backend yang fungsional untuk mendukung platform pembelajaran tersebut. Dengan menggunakan metodologi waterfall, penelitian ini menghasilkan model soal interaktif "Anomaly Monster", sebuah adaptasi dari soal "Dress Code for Beaver". Model ini memungkinkan pengguna untuk terlibat langsung dalam proses analisis dengan menelusuri setiap cabang keputusan dan mengklasifikasikan objek secara mandiri. Sistem ini didukung oleh backend yang dibangun menggunakan NestJS dan TypeScript dengan Clean Architecture , yang menangani autentikasi pengguna, manajemen soal, pembangkitan soal dinamis, hingga fitur gamification seperti dashboard dan leaderboard. Hasil pengujian fungsional black-box menunjukkan bahwa seluruh fitur backend berjalan sesuai dengan yang diharapkan. Pengujian usability dengan 5 partisipan dengan metode Single Ease Question (SEQ) menghasilkan skor kemudahan rata-rata 6,4 dari 7, sehingga memberikan indikasi awal bahwa model interaktif dapat digunakan dengan relatif mudah oleh kelompok kecil partisipan. Kesimpulannya, penelitian ini berhasil mengembangkan model soal interaktif dan infrastruktur backend yang terintegrasi untuk mendukung pembelajaran berpikir komputasional.
PREDIKSI KERAPATAN PETIR MENGGUNAKAN QUANTUM SUPPORT VECTOR REGRESSION
Fenomena petir telah memberikan berbagai dampak negatif sehingga memerlukan sistem proteksi yang efektif. Untuk menentukan level proteksi petir, prediksi kerapatan petir dapat dijadikan sebagai referensi. Meskipun demikian, algoritme klasik masih memiliki keterbatasan pada data kecil atau kompleks. Hal ini telah mendorong berbagai penelitian pembelajaran mesin menggunakan quantum computing. Salah satu algoritme quantum machine learning yang sering digunakan pada kasus regresi adalah QSVR. Penelitian yang telah ada menunjukkan bahwa QSVR dapat memberikan nilai error yang lebih kecil dibandingkan dengan model klasik yang ada. Meskipun demikian, belum terdapat penelitian yang menggunakan QSVR dalam prediksi kerapatan petir. Pada penelitian ini dilakukan prediksi kerapatan petir menggunakan QSVR untuk memanfaatkan potensi tersebut. Terdapat dua dataset yang digunakan pada penelitian ini, yaitu data PLN Puslitbang dan NASA MERLIN. Prediksi dilakukan berdasarkan parameter-parameter spasial dan meteorologi. Pengembangan model QSVR ini difokuskan pada pembangunan quantum feature map dan quantum kernel. Hasil eksperimen menunjukkan performa yang bervariasi. Pada dataset PLN Puslitbang, model SVR dengan RMSE 0.0102, MAE 0.0058, dan R2 0.7750 masih sedikit lebih unggul dibandingkan model QSVR BPS terbaik dengan RMSE 0.0104, MAE 0.0059, dan R2 0.7651. Model QSVR dengan feature map kompleks cenderung overfitting. Selain itu, secara umum penggunaan trainable kernel belum menunjukkan penurunan error. Sebaliknya, pada dataset NASA MERLIN model QSVR BPS dengan RMSE 0.0275, MAE 0.0110, dan R2 0.3856 mengungguli model SVR dengan RMSE 0.0282, MAE 0.0095, dan R2 0.3566. QSVR menunjukkan keunggulan yang konsisten khususnya pada data berukuran kecil. Sebagai tambahan, eksperimen pada kedua dataset menunjukkan bahwa koordinat garis lintang menjadi parameter yang paling memengaruhi model. Penelitian ini menunjukkan bahwa QSVR memiliki potensi besar sebagai alternatif yang lebih baik dalam prediksi kerapatan petir.
DETEKSI EMOSI MULTI-LABEL DAN INTENSITASNYA PADA TEKS BAHASA INGGRIS MENGGUNAKAN EMOBERTA
Emosi adalah kondisi fisik dan mental seseorang yang terhubung dengan pemikiran, perasaan, respon perilaku, serta tingkat kepuasan dan ketidapuasan. Emosi ditemukan dalam kehidupan sehari-hari karena penggunaannya dapat memperkuat tujuan seseorang menyampaikan sebuah pernyataan atau informasi dalam berkomunikasi. Dengan adanya perkembangan di dunia teknologi, terutama dalam bidang inteligensi buatan (AI), penggunaan AI dalam prediksi emosi seseorang dapat digunakan untuk berbagai hal, seperti memahami kondisi mental pasien untuk diagnosis dan membantu mengembangkan proses komunikasi AI dengan manusia. Terdapat berbagai model yang dapat digunakan untuk memprediksi emosi dari teks, salah satunya adalah EmoBERTa, sebuah model hasil pengembangan RoBERTa oleh Taewoon Kim dan Piek Vossen pada tahun 2021 yang dapat melakukan prediksi emosi dalam konteks percakapan (Emotion Recognition in Conversation/ERC). Penelitian ini mengembangkan EmoBERTa melalui fme-tuning untuk mendapatkan sebuah model yang dapat melakukan prediksi emosi multi-label. Pada percobaan dengan dataset SemEval-2025 Task 11 untuk Track A (deteksi emosi multi-label) dan Track B (intensitas emosi multi-label), model mendapatkan macro F1-score sebesar 0,7598 untuk Track A dan koefisien korelasi Pearson sebesar 0,7698 untuk Track B. Namun, setelah melakukan fine-tuning lanjutan melalui penambahan data ke dataset awal (GoEmotions untuk Track A dan WRIME untuk Track B) dengan harapan meningkatkan kinerja kedua Track, terdapat penurunan kinerja berupa macro F1-score bernilai 0,7302 untuk Track A dan korelasi koefisien Pearson bernilai 0,7459 untuk Track B. Penelitian ini menemukan bahwa melakukan fine-tuning pada EmoBERTa dapat membuatnya melakukan prediksi emosi multi-label dalam bentuk kalimat dengan hasil yang melampaui model tuning RemBERT yang digunakan sebagai acuan (baseline), yaitu 0,7083 untuk Track A dan 0,6415 untuk Track B.
ANALISIS EFEKTIVITAS TEKNIK ESKALASI HAK AKSES MELALUI DROPPER TERHADAP KETAHANAN ANTIVIRUS
Meningkatnya serangan siber, khususnya ransomware, menjadi ancaman serius bagi pengguna perangkat desktop karena potensi kerugian finansial dan data yang signifikan. Penelitian ini bertujuan untuk menganalisis efektivitas dan ketahanan berbagai program antivirus terhadap teknik evasi yang digunakan oleh varian baru ransomware. Fokus utama dari penelitian ini adalah pengembangan dan pengujian sebuah dropper yang dirancang untuk menyusupkan payload berbahaya dengan terlebih dahulu melakukan eskalasi hak akses pada sistem operasi Windows. Dua teknik utama UAC bypass diimplementasikan dan dianalisis, yaitu metode berbasis manipulasi registry dan metode berbasis DLL hijacking. Pengujian dilakukan dalam lingkungan virtual yang terkontrol terhadap lima program antivirus populer, yaitu Windows Defender, Norton AntiVirus Plus, McAfee AntiVirus, Malwarebytes Premium Security, dan Avast Premium Security, dengan menggunakan Mimikatz sebagai payload yang akan disusupkan. Hasil pengujian menunjukkan bahwa kedua metode UAC bypass berhasil mendapatkan hak akses tinggi dengan tingkat keberhasilan 100% tanpa terdeteksi oleh seluruh antivirus yang diuji jika dilakukan secara luring. Namun, jika dilakukan secara daring, metode berbasis manipulasi registry berhasil dihentikan oleh Windows Defender dan Avast Premium Security sehingga tingkat keberhasilannya menurun menjadi 60%. Lebih lanjut, teknik penambahan eksklusi pada Windows Defender secara terprogram terbukti menjamin keberhasilan eksekusi payload. Kesimpulan dari penelitian ini menegaskan bahwa celah pada mekanisme auto-elevation UAC merupakan vektor serangan yang sangat andal dan menyoroti pentingnya penggunaan solusi keamanan berlapis untuk mitigasi ancaman ransomware modern.
PENGEMBANGAN MODEL PENILAIAN KOMPLEKSITAS PROYEK ICT MENGGUNAKAN FUZZY ANALYTIC HIERARCHY PROCESS
Proyek ICT (Information and Communication Technology) memiliki karakteristik yang kompleks karena melibatkan banyak faktor seperti variasi teknologi, keterlibatan berbagai pemangku kepentingan, serta tingkat risiko yang tinggi. Kompleksitas ini sering menimbulkan tantangan dalam perencanaan, pengelolaan, dan distribusi beban kerja. Beberapa studi telah dilakukan untuk melakukan penilaian tingkat kompleksitas, namun belum ada studi yang mengembangkan model secara khusus untuk menilai kompleksitas proyek ICT. Oleh karena itu, diperlukan suatu model penilaian yang mampu menggambarkan tingkat kompleksitas proyek ICT secara objektif. Penelitian ini mengembangkan model penilaian kompleksitas proyek ICT menggunakan metode Fuzzy Analytic Hierarchy Process (Fuzzy AHP) yang memanfaatkan Triangular Fuzzy Number (TFN) dalam proses penilaian perbandingan berpasangan oleh pakar. Model disusun dalam bentuk struktur hierarki yang mencakup beberapa faktor utama pada proyek ICT, yaitu durasi proyek, nilai proyek, jumlah stakeholder/vendor, kebutuhan keahlian khusus, variasi teknologi, tingkat kustomisasi, tingkat ketergantungan antar proses, serta risiko dan ketidakpastian. Pengujian dilakukan dengan membandingkan empat model struktur hierarki yang berbeda. Hasil perhitungan menunjukkan adanya variasi bobot antarparameter, dengan nilai proyek, variasi teknologi, dan tingkat kustomisasi menjadi faktor dominan. Evaluasi akurasi juga menunjukkan bahwa penggunaan batas klasifikasi secara lokal, berdasarkan distribusi skor masing-masing model, menghasilkan tingkat akurasi yang lebih tinggi dibandingkan batas global. Dari keempat model yang diuji, model yang mempertimbangkan keseluruhan faktor kompleksitas terpilih sebagai yang paling konsisten dan akurat dengan akurasi 83%. User Acceptance Test (UAT) yang melibatkan pakar menunjukkan bahwa mayoritas menilai model ini relevan, mudah dipahami, dan bermanfaat dalam dalam praktik manajemen proyek ICT.
DETEKSI SUARA SINTETIS MENGGUNAKAN RAWNET DENGAN TAMBAHAN FITUR PATOLOGIS
Kemajuan teknologi suara sintetis menghadirkan tantangan baru bagi sistem Automatic Speaker Verification (ASV), karena suara palsu semakin sulit dibedakan dari suara asli. Penelitian ini mengembangkan dan mengevaluasi tiga versi RawNet (RawNet1, RawNet2, dan RawNet3) dengan penambahan fitur patologis suara seperti jitter, shimmer, dan glottal-to-noise excitation ratio (GNE), yang umumnya digunakan dalam analisis klinis. Data yang digunakan mencakup suara asli dan sintetis berbahasa Indonesia, sebagai upaya memperkuat sistem pendeteksi untuk bahasa yang kurang terwakili dalam penelitian terdahulu yang didominasi oleh bahasa Inggris dan Mandarin. Penggabungan dilakukan melalui dua pendekatan, yaitu pada level fitur dan level arsitektur, guna mengevaluasi metode terbaik dalam integrasi fitur patologis ke dalam model RawNet. Hasil menunjukkan bahwa semua model gabungan memiliki kinerja lebih baik dibandingkan baseline. Penggabungan pada level arsitektur menghasilkan performa terbaik dalam mendeteksi suara palsu, terutama dalam skenario yang melibatkan teknologi atau konten yang tidak dikenal selama pelatihan. Penelitian ini menunjukkan bahwa integrasi fitur patologis dapat meningkatkan akurasi dan robustness sistem deteksi suara sintetis, serta sebagai referensi untuk riset serupa dalam pengembangan sistem deteksi suara palsu berbahasa Indonesia.
PENGEMBANGAN SMART CONTRACT DISCOVERY SYSTEM BERBASIS KONTEKS SEMANTIK
Abstrak dapat dilihat di file nya
KLASIFIKASI GANGGUAN INFORMASI DENGAN PENDEKATAN MULTIBUKTI DAN MULTIMODALITAS MENGGUNAKAN ARSITEKTUR GETRAL DALAM BAHASA INDONESIA
Penyebaran gangguan informasi meningkat seiring pesatnya perkembangan teknologi. Ditinjau dari aspek kesalahan informasi (falseness), gangguan informasi mencakup misinformasi dan disinformasi. Untuk mengatasi kedua bentuk gangguan tersebut, proses pengecekan kebenaran klaim umumnya melibatkan berbagai sumber bukti. Gambar klaim juga dapat memberikan petunjuk visual dalam proses verifikasi. Pada dataset berbahasa Inggris, pendekatan multibukti dan multimodalitas terbukti meningkatkan kinerja model pengecekan fakta. Namun, penelitian dalam bahasa Indonesia masih terbatas pada pendekatan berbasis teks dengan pasangan klaim dan fakta hasil pengecekan manual, bukan bukti dari kumpulan artikel atau sumber rujukan yang menjadi dasar penarikan fakta. Tugas Akhir ini mengembangkan model klasifikasi gangguan informasi berbahasa Indonesia dengan pendekatan multibukti dan multimodalitas. Setiap klaim diklasifikasikan sebagai false context, false connection, manipulated content, misleading content, fabricated content, imposter content, satire, atau true. Pendekatan multibukti menggunakan arsitektur Graph-based sEmantic sTructure mining framework with conTRAstive Learning (GETRAL), sedangkan pendekatan multimodalitas menggunakan deteksi objek, image encoder, atau image captioning. Pendekatan multibukti menghasilkan skor F1-Macro 0,569, lebih tinggi dibandingkan bukti tunggal (0,465). Lebih lanjut, pendekatan multimodalitas mencapai skor F1-Macro 0,598, melampaui modalitas tunggal teks (0,569). Peningkatan ini juga terlihat pada kinerja per kelas, terutama pada kelas false connection dan manipulated content yang membutuhkan informasi visual. Temuan ini menunjukkan bahwa penerapan pendekatan multibukti dan multimodalitas mampu memperkaya representasi informasi, sehingga meningkatkan kinerja dalam mendeteksi berbagai bentuk misinformasi dan disinformasi.
MASA DEPAN PHILOIT DI ERA AI GENERATIF: RELEVANSI DAN NILAI TAMBAH
PhiloIT adalah perusahaan rintisan teknologi pendidikan yang menjembatani filsafat dan inovasi digital untuk menumbuhkan pemikiran kritis, penalaran etis, dan pembelajaran interdisipliner. Tesis ini mengidentifikasi tantangan utama, peluang strategis, dan rekomendasi konkret yang dapat menginformasikan evolusi penawaran layanan dan model operasional PhiloIT (Dwivedi dkk., 2021). Untuk mengeksplorasi dimensi-dimensi ini, penelitian tesis ini menggunakan pendekatan kualitatif dengan metode campuran, yang meliputi (1) tinjauan pustaka tentang dampak AI Generatif terhadap pendidikan digital dan pemikiran kritis, (2) analisis internal terhadap desain platform PhiloIT saat ini dan pola keterlibatan pengguna, serta (3) serangkaian wawancara terstruktur dan percakapan informal dengan para pemangku kepentingan utama—pendidik, siswa, pakar AI, dan pembuat konten. Peneliti menemukan bahwa pelajar semakin tertarik pada platform yang memadukan bantuan AI dengan bimbingan manusia dan jalur pembelajaran terstruktur.Temuan ini menyarankan pengembangan model pembelajaran kolaboratif manusia-AI, peluncuran modul literasi dan etika AI, dan sebagainya, untuk memastikan PhiloIT dapat mempertahankan dan meningkatkan relevansi, dampak, dan kontribusi nilai tambahnya di era Gen AI. Studi ini selanjutnya mengusulkan untuk melakukan analisis dampak longitudinal dari model pendidikan hibrida manusia-AI, analisis komparatif antar filosofi EdTech, dan sebagainya, untuk memastikan inovasi pendidikan tetap etis, reflektif, dan inklusif.
ANALISIS TINGKAT EVASI DAN EFISIENSI CRYPTO RANSOMWARE TERHADAP KEMAMPUAN DETEKSI DAN MITIGASI PROGRAM ANTIVIRUS
Jumlah serangan ransomware semakin meningkat karena kemampuannya yang mengenkripsi data penting memaksa korban untuk membayar tebusan. Program antivirus merupakan salah satu lini pertahanan utama pengguna, namun efektivitasnya terhadap ransomware varian baru belum terukur secara komprehensif. Penelitian ini bertujuan menganalisis ketahanan dan efektivitas beberapa antivirus yang umum digunakan terhadap serangan crypto-ransomware, serta mengevaluasi kombinasi teknik enkripsi data yang paling efisien dari segi waktu. Metode penelitian yang digunakan mencakup pengembangan crypto-ransomware dengan berbagai variasi teknik enkripsi data, yaitu jumlah thread (1, 2, 4, 8, 16), metode pembacaan file (pembacaan penuh, berbasis stream, memory-mapped I/O), cakupan enkripsi (10–100%), serta algoritma enkripsi yang digunakan (AES yang diimplementasikan secara manual dan CryptoAPI). Pengujian dilakukan pada lima program antivirus (Windows Defender, Norton AntiVirus Plus, McAfee Antivirus, Malwarebytes Premium Security, dan Avast Premium Security) dalam virtual machine yang menjalankan sistem operasi Windows 11 Pro berisi 128 file target. Metrik evaluasi meliputi tingkat deteksi antivirus, jumlah file terenkripsi, serta lama waktu eksekusi ransomware. Hasil pengujian menunjukkan Windows Defender dan McAfee gagal menghentikan ransomware, Norton dapat melindungi ransomware apabila direktori termasuk ke dalam daftar direktori yang dilindungi, dan Malwarebytes baru mendeteksi aktivitas malicious setelah 4–6 file berhasil terenkripsi. Avast memiliki keamanan yang paling efektif karena mampu menahan eksekusi ransomware sepenuhnya. Dari sisi performa ransomware, kombinasi konfigurasi penggunaan thread sesuai dengan jumlah thread yang tersedia pada sistem, memory-mapped I/O, dan CryptoAPI memberikan kecepatan enkripsi rata-rata tercepat.
STUDI EVALUATIF STRATEGI ENCODING DAN DESAIN SIRKUIT KUANTUM UNTUK KLASIFIKASI SENTIMEN
Penerapan algoritma kuantum dalam pemrosesan bahasa alami menawarkan solusi potensial terhadap tantangan efisiensi dan representasi semantik dalam klasifikasi sentimen. Tugas akhir ini mengusulkan pendekatan hibrida klasikal-quantum untuk klasifikasi sentimen tingkat kalimat dengan mengeksplorasi berbagai kombinasi strategi encoding dan desain sirkuit kuantum variasional. Strategi encoding meliputi representasi kalimat (BoW, TF-IDF, Word2Vec, FastText, MiniLM, MPNet), reduksi dimensi (PCA, UMAP), serta metode penyandian fitur ke dalam sirkuit kuantum (angle encoding dan pauli encoding) dan jumlah qubit yang digunakan. Di sisi sirkuit, tiga jenis ansatz diuji, berupa real amplitude, cosine interference, dan strongly entangling layers (SEL). Eksperimen dilakukan menggunakan dataset ulasan Amazon, dengan metrik akurasi dan waktu pelatihan sebagai evaluasi utama. Hasil menunjukkan bahwa kombinasi representasi MPNet, reduksi dimensi PCA, angle encoding, dan cosine interference ansatz memberikan performa dengan trade-off terbaik dengan rata-rata akurasi pengujian sebesar 86,5% dan waktu pelatihan efisien 277 detik. Temuan ini mengindikasikan bahwa desain sirkuit yang efisien tidak selalu bergantung pada kompleksitas struktur ansatz, dan bahwa konfigurasi encoding yang tepat dapat secara signifikan meningkatkan performa klasifikasi. Penelitian ini menegaskan potensi pendekatan hibrida klasikal-quantum dalam NLP, serta membuka arah baru untuk pengembangan pipeline QNLP yang lebih efisien dan akurat.
IIHAC: PEMBARUAN SISTEM KONTROL AKSES BERBASIS HIERARKI DENGAN IOTA MOVE DAN IOTA IDENTITY
Penggunaan IOTA sebagai sistem pengaturan akses telah menjadi objek dari beberapa penelitian, terutama penelitian IHIBE. Dari analisis terhadap solusi IHIBE ditemukan sejumlah kekurangan terkait manajemen identitas berbasis DSN, alur pengaksesan objek, dan penyimpanan informasi akses. Penelitian ini menguji kelayakan fitur-fitur IOTA baru guna memperbarui solusi IHIBE. Solusi baru yang diusulkan menggunakan IOTA Identity, fitur manajemen identitas IOTA dengan standar DID (decentralized identifier) dan VC (verifiable credentials), dan IOTA Move, teknologi smart contract IOTA. Solusi yang diusulkan memanfaatkan fleksibilitas pengisian kredensial VC untuk menangani identitas hierarkis, dan memanfaatkan fungsionalitas IOTA Move untuk menyimpan policy terkait pengaksesan sebuah objek. Hasil dari penelitian ini adalah bahwa IOTA Identity layak digunakan untuk manajemen identitas dan hak akses dalam jaringan hierarkis. Hasil implementasi ditemukan bersifat lebih sederhana dibandingkan solusi IHIBE. Dengan fleksibilitas fitur IOTA Identity dan ekosistem IOTA, rancangan solusi ini dapat diperluas untuk menangani logika dan fitur yang lebih kompleks.
IMPLEMENTASI INTERAKSI PENGGUNA DALAM APLIKASI VR UNTUK EDUKASI TENTANG AKTIVITAS MATAHARI
Penggunaan Virtual Reality (VR) dalam edukasi berpotensi untuk meningkatkan pemahaman konsep yang kompleks melalui pengalaman interaktif. Oleh karena itu dikembangkan sebuah aplikasi VR edukasi tentang aktivitas matahari. Gamifikasi turut ada dalam aplikasi VR ini yang diwujudkan dalam bentuk eksplorasi secara terpandu untuk mengelilingi matahari. Di sisi lain, interaksi pengguna juga menjadi perhatian karena berdampak pada efektivitas aplikasi. Penelitian ini bertujuan mengimplementasikan interaksi pengguna berbasis hand tracking untuk mendeteksi gestur tangan. Interaksi yang dikembangkan meliputi interaksi dengan objek dan elemen UI, gestur pinch untuk mengubah ukuran dan posisi gambar, serta gestur swipe untuk navigasi UI. Pengujian dilakukan terhadap pengaruh edukasi dengan pre-test dan post-test, juga usability dengan SUS dan SEQ kepada mahasiswa. Pengujian pengaruh edukasi menunjukkan peningkatan nilai rata-rata dari 5,86 menjadi 7,57, serta nilai median dari 6 menjadi 8. Diperoleh juga skor SUS 75 dan untuk setiap interaksi juga diperoleh hasil tes SEQ yang baik. Secara keseluruhan, hasil mengindikasikan bahwa aplikasi VR tersebut dapat mendukung pemahaman edukasi tentang aktivitas matahari sekaligus memberikan pengalaman penggunaan yang baik. Namun, jumlah partisipan yang terbatas masih menjadi keterbatasan utama, sehingga diperlukan penelitian lanjutan dengan skala lebih besar untuk memperoleh hasil yang lebih representatif.