📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 101,300 dokumenPENERAPAN OPTICAL MUSIC RECOGNITION UNTUK PEMBACA CITRA NOTASI MUSIK UMUM BERBASIS WEB
Notasi musik berperan penting dalam pelestarian karya musik melalui representasi visual terstandarisasi. Namun, banyak partitur masih diarsipkan dalam bentuk cetak, sehingga proses digitalisasi notasi musik diperlukan untuk kepentingan dokumentasi, pendidikan, dan distribusi. Penelitian ini mengembangkan sistem Optical Music Recognition (OMR) berbasis web untuk mengonversi citra notasi musik monofonik menjadi representasi digital berupa MusicXML dan MIDI. Tahap prapemrosesan citra diintegrasikan langsung ke dalam aplikasi untuk memperbaiki kualitas citra. Alur sistem meliputi prapemrosesan dan segmentasi citra, prediksi oleh model OMR, konversi dan koreksi hasil ke MusicXML, serta konversi lanjutan ke MIDI. Dua pendekatan pelatihan model diujikan, yaitu pelatihan dari awal menggunakan arsitektur CRNN dengan EfficientNetB0, serta fine-tuning model pralatih dari Calvo-Zaragoza & Rizo (2018) dengan dataset PrIMuS. Model pralatih menunjukkan Character Error Rate (CER) sebesar 3,88% dan Sequence Error Rate (SER) sebesar 58,22%. Untuk meningkatkan kinerja model, diterapkan mekanisme pemungutan suara (voting) yang diadaptasi dari metode ROVER, dengan menghasilkan 5 buah variasi prediksi melalui dropout rate sebesar 0,1 pada tahap inferensi. Pendekatan ini berhasil menurunkan rata-rata CER hingga 2,99% dan SER hingga 41,86%. Pengujian sistem menunjukkan bahwa mekanisme pemungutan suara efektif memperbaiki kesalahan prediksi, khususnya penentuan nada, tetapi kurang optimal pada citra dengan garis paranada tebal dan rapat. Dengan peningkatan kualitas citra masukan, sistem ini berpotensi menjadi solusi yang andal untuk digitalisasi partitur musik cetak.
DESENTRALISASI PROSES TENDER DENGAN MENGGUNAKAN BLOCKCHAIN DAN OFF-CHAIN STORAGE
Proses tender pengadaan barang dan jasa publik kerap menghadapi kendala dalam hal transparansi, auditabilitas, dan partisipasi publik. Ketergantungan terhadap sistem terpusat serta prosedur manual menyebabkan rendahnya akuntabilitas dan meningkatnya risiko manipulasi data. Masalah ini menciptakan lingkungan yang rentan terhadap penyalahgunaan wewenang dan mengikis kepercayaan publik terhadap integritas proses pengadaan. Penelitian ini mengusulkan solusi berupa sistem tender digital terdesentralisasi yang dibangun di atas teknologi blockchain publik dan penyimpanan off-chain. Sistem ini menggabungkan smart contract untuk mengotomatiskan proses bisnis dan InterPlanetary File System (IPFS) untuk menyimpan dokumen secara terenkripsi. Dengan pendekatan hibrida ini, transparansi publik tetap terjaga melalui pencatatan penunjuk CID dokumen di blockchain, sementara data sensitif tetap aman dan hanya dapat diakses oleh pihak yang berwenang. Evaluasi sistem dilakukan melalui pengujian fungsional dan non-fungsional pada skenario pengadaan barang. Hasilnya menunjukkan bahwa solusi ini mampu meningkatkan transparansi, integritas, dan efisiensi tanpa mengorbankan privasi data. Sistem ini juga memungkinkan pengawasan publik secara real-time, menjadikannya langkah awal yang menjanjikan menuju pengadaan digital yang lebih terbuka dan terpercaya.
KLASIFIKASI AKTIVITAS KAPAL DAN PEMETAAN HOTSPOT PENANGKAPAN IKAN SECARA SPASIAL-TEMPORAL MELALUI PETA INTERAKTIF
Manajemen perikanan berkelanjutan di Indonesia memerlukan informasi spasial-temporal yang akurat mengenai aktivitas penangkapan ikan. Kementerian Kelautan dan Perikanan (KKP) memiliki data Vessel Monitoring System (VMS) dalam jumlah besar, namun belum memiliki sistem otomatis untuk menerjemahkan data mentah yang tidak berlabel ini menjadi peta hotspot penangkapan ikan yang interaktif dan spesifik per spesies. Penelitian ini mengadopsi pendekatan CRISP-DM dan model prototyping untuk merancang, membangun, dan mengevaluasi sebuah prototipe sistem interaktif. Sistem ini menjalankan sebuah pipeline analitis yang mengadopsi metode unsupervised learning TripTracker. Metode ini menggabungkan klasterisasi HDBSCAN dengan Hidden Markov Models (HMM) untuk mengklasifikasikan aktivitas kapal. Hasil dari penelitian ini adalah sebuah sistem berbasis web yang mengotomatisasi seluruh alur kerja dan menampilkan distribusi hotspot secara interaktif. Evaluasi sistem melalui pengujian fungsional dan kinerja menunjukkan bahwa sistem berhasil memenuhi seluruh kebutuhan yang dirancang dan memiliki performa yang responsif. Verifikasi internal melalui pengujian fungsional dan kinerja membuktikan bahwa sistem berhasil memenuhi 100% kebutuhan yang dirancang dan memiliki performa yang responsif. Selanjutnya, validasi eksternal oleh para ahli memberikan skor penerimaan dan potensi dampak yang sangat tinggi untuk mendukung pengambilan keputusan di KKP. Penelitian ini berhasil mendemonstrasikan sebuah solusi komprehensif yang relevan untuk modernisasi analisis data perikanan di Indonesia.
DETEKSI DAN IDENTIFIKASI KEJADIAN ANOMALI DENGAN ANOMALY DETECTION BERBASIS DEEP LEARNING
Dalam beberapa tahun terakhir, meningkatnya kebutuhan akan sistem pengawasan yang cerdas dan efisien mendorong pengembangan teknologi deteksi kejadian anomali dalam video. Sistem pengawasan konvensional yang bergantung pada pemantauan manusia terbukti memiliki keterbatasan dalam hal akurasi dan konsistensi. Penelitian ini mengusulkan pendekatan anomaly detection berbasis deep learning untuk mendeteksi dan mengidentifikasi kejadian anomali dalam video serta membangun sistem sederhana untuk melakukan simulasi pendeteksian dan pengidentifiksian jenis anomali. Pengembangan sistem deteksi dan identifikasi jenis anomali dilakukan dengan mengimplementasikan dan mengintegrasikan modul deteksi anomali, modul identifikasi jenis anomali, dan aplikasi graphical user interface. Model dengan arsitektur Inflated 3D CovNet (I3D) digunakan untuk modul deteksi anomali. Selain itu, terdapat dua model pralatih identifikasi jenis anomali, antara lain YOLO 8 dan YOLO 11, yang dibandingkan pada pengujian untuk menentukan model yang digunakan pada modul identifikasi jenis anomali. Dataset yang digunakan pada penelitian ini adalah dataset UCF-Crime, dengan 10% dari dataset digunakan sebagai data uji. Berdasarkan analisis hasil pengujian terhadap data uji, model I3D terbukti mampu melakukan deteksi kejadian anomali dengan akurat dengan nilai ROC-AUC yang mencapai 0.73. Berdasarkan pengujian identifikasi jenis anomali terhadap 13 kelas anomali, model YOLO 11 dipilih sebagai model pralatih pada modul identifikasi jenis anomali karena mencapai nilai akurasi sebesar 74.75%. Kinerja model pada kedua modul masih dapat ditingkatkan lagi dengan pelatihan lebih lanjut dataset dengan kualitas yang lebih bagus serta menggunakan model dengan ukuran yang lebih besar.
ANALISIS MODEL GSTAR DALAM PREDIKSI KASUS DBD KOTA SEMARANG TAHUN 2016-2021
Demam Berdarah Dengue (DBD) merupakan penyakit menular yang masih menjadi ancaman serius di berbagai wilayah Indonesia. Penyebaran DBD yang dipengaruhi oleh faktor waktu dan lokasi menuntut adanya pendekatan analisis yang mampu menangkap dinamika tersebut secara simultan. Penelitian ini bertujuan untuk memprediksi jumlah kasus DBD di Kota Semarang pada periode 2016–2021 dengan menggunakan model Generalized Space-Time Autoregressive (GSTAR) dan ARIMA. Dengan memrediksi jumlah kasus DBD, pencegahan seperti mengalokasikan sumber daya tenaga medis dan penjadwalan fogging dapat dilakukan sebagai upaya preventif. Model GSTAR merupakan pengembangan dari model time series yang menggabungkan unsur spasial dan temporal, sehingga mampu merepresentasikan interaksi antar wilayah serta hubungan waktu sebelumnya terhadap jumlah kasus saat ini. Model ARIMA digunakan untuk membandingkan hasil yang diperoleh melalui model GSTAR yang memfaktorkan adanya pengaruh lokasi pada jumlah kasus DBD dengan model ARIMA yang dibangun secara independen pada masing-masing lokasi. Data yang digunakan dalam penelitian ini meliputi jumlah kasus DBD bulanan dari beberapa kecamatan di Kota Semarang.
ANALISIS PERBANDINGAN STRATEGI ARSITEKTUR UNTUK PENGOPTIMALAN KINERJA SISTEM TIKET ACARA BERSKALA BESAR
Abstrak dapat dilihat di file nya
VISUALISASI AKTIVITAS MATAHARI DAN OPTIMASINYA DALAM APLIKASI EDUKASI BERBASIS VIRTUAL REALITY
Perilaku medan magnet pada atmosfer matahari menciptakan berbagai fenomena dinamis yang disebut sebagai solar activity atau aktivitas matahari. Meskipun fundamental, visualisasi aktivitas matahari ini sering kali terlewatkan pada model pembelajaran matahari berbasis 3D yang sudah ada. Visualisasi 3D sangat cocok dengan teknologi VR, akan tetapi keterbatasan daya komputasi perangkat VR menjadikan optimasi rendering pada aplikasi menjadi penting. Tugas akhir ini membahas mengenai perancangan serta implementasi visualisasi aktivitas matahari (bintik matahari, spikula, cahaya korona, simpai korona, dan siklusnya) serta teknik optimasinya untuk perangkat VR. Metodologi yang digunakan dimulai dari pendefinisian capaian pembelajaran, riset dan penurunan bahan ajar, pengembangan model komputasional, finalisasi dan optimasi, lalu diakhiri pengujian dan evaluasi. Visualisasi aktivitas matahari dikembangkan dengan menggunakan kakas Shader Graph (tekstur matahari & bintik matahari) dan VFX Graph (spikula, cahaya korona, & simpai korona) dengan game engine Unity. Pengembangan visualisasi aktivitas matahari dilakukan secara iteratif, bersamaan dengan proses riset dan penurunan bahan ajar. Teknik-teknik optimasi yang diimplementasikan (GPU instancing, feature stripping, mesh optimization, dan Fixed Foveated Rendering) berhasil meningkatkan kinerja aplikasi VR dari 24 FPS (baseline) ke 36 FPS, dan mencapai 72 FPS ketika visualisasi simpai korona dimatikan. Akurasi dari hasil visualisasi aktivitas-aktivitas matahari yang ditampilkan juga diuji. Penilaian dari para mahasiswa astronomi terkait akurasi ilmiah visualisasi mendapatkan skor CVI lebih dari 0,8 pada 7 dari 8 indikator yang diberikan, menunjukkan bahwa visualisasi aktivitas matahari yang dikembangkan dinilai akurat dalam konteks edukatif.
ANALISIS FENOMENA STICK-SLIP DENGAN METODE PERTURBASI
Fenomena stick-slip adalah gerakan tersendat-sendat akibat gaya gesek kering (dry friction) yang biasanya terjadi saat dua permukaan saling bersentuhan. Kondisi stick terjadi saat kedua permukaan menempel, sedangkan kondisi slip terjadi saat kedua permukaan saling bergerak terhadap satu sama lain. Penelitian ini memodelkan fenomena stick-slip dengan menggunakan sistem pegas-massa sederhana yang bergerak di atas sebuah sabuk penggerak yang bergerak dengan kecepatan konstan. Adapun gaya gesek yang terjadi pada sistem ini adalah gaya gesek yang diskontinu. Penelitian ini bertujuan untuk memahami fenomena stick-slip yang terjadi pada sistem pegas-massa dan menentukan hampiran solusi dari pergerakan balok pada sistem tersebut. Ada dua sistem pegasmassa yang akan ditinjau dalam Tugas Akhir ini. Sistem pertama adalah sistem yang tidak dipengaruhi redaman serta melibatkan gaya gesek yang bernilai konstan bagian demi bagian, sedangkan sistem kedua adalah sistem yang dipengaruhi redaman serta melibatkan gaya gesek nonlinear yang terdiferensialkan secara kontinu bagian demi bagian. Sistem pertama merupakan simplifikasi dari model stick-slip dengan gaya luar yang diskontinu, sedangkan sistem kedua merupakan bagian dari kondisi slip dengan gaya luar yang terdiferensialkan secara kontinu. Pada sistem pertama, kita hanya bisa melihat sebagian perilaku sistem saja. Untuk memahami perilaku sistem secara menyeluruh, kita memperhalus fungsi diskontinu tersebut dan melakukan simulasi numerik untuk melihat apa yang terjadi. Pada sistem kedua, kita diperhadapkan dengan sistem persamaan diferensial nonlinear yang tidak bisa dicari solusi eksaknya. Dalam hal ini, digunakan metode perturbasi skala waktu ganda untuk mencari aproksimasi dari solusinya. Berdasarkan hasil penelitian, diperoleh kesimpulan bahwa fenomena stick-slip yang terjadi pada sistem pegas-massa memiliki hampiran solusi yang selalu terbatas.
PENERAPAN QUANTUM SUPPORT VECTOR CLASSIFIER (QSVC) PADA KLASIFIKASI PETIR
Quantum computing (QC) menunjukkan potensi yang luar biasa dalam mempercepat pemrosesan data kompleks dengan memanfaatkan prinsip mekanika kuantum. Penerapan QC dalam bidang pembelajaran mesin yang dikenal sebagai quantum machine learning (QML) membuka peluang baru dalam pengembangan model prediktif berkapasitas tinggi. Salah satu pendekatan QML yang menjanjikan adalah quantum support vector classifier (QSVC). Dalam penerapan multidisiplin, QSVC menawarkan solusi untuk dapat mengklasifikasikan fenomena alam kompleks, seperti petir, terutama jenis cloud-to-ground (CG) yang sering dijumpai. Studi ini menunjukkan bahwa QSVC mampu mengolah data petir yang memiliki karakteristik besar dan nonlinear secara efisien. Model ini juga mampu memberikan akurasi dan stabilitas yang lebih tinggi dibandingkan model klasik SVC dengan nilai akurasi 0.85 dalam mengklasifikasikan polaritas petir CG meskipun pada saat ini, perangkat keras kuantum masih memiliki beberapa keterbatasan. Faktor-faktor utama dalam menentukan polaritas petir CG di Indonesia meliputi signal strength, multiplicity, chi square, ellipse semi minor, ellipse semi major, latitude, serta kelembapan relatif pada 2 meter (RH2M). Hasil penelitian ini mendemonstrasikan potensi QSVC dalam membangun sistem klasifikasi petir yang lebih presisi, memiliki potensi dalam menghemat biaya sensor, serta relevan untuk peningkatan sistem proteksi infrastruktur dan keselamatan manusia.
PENGEMBANGAN SOAL CLASSICAL CIPHER INTERAKTIF UNTUK MENDUKUNG PROSES PEMBELAJARAN BERPIKIR KOMPUTASIONAL
Pembelajaran Berpikir Komputasional (CT) sering kali terkendala oleh format soal yang statis pada platform seperti Bebras Challenge, yang kurang efektif untuk membangun pemahaman konseptual. Keterbatasan ini sangat terasa pada soal-soal kriptografi yang menuntut pemahaman proses dinamis, di mana siswa tidak dapat bereksperimen secara langsung. Penelitian ini bertujuan untuk mengembangkan soal interaktif classical cipher yang mentransformasi konsep statis menjadi pengalaman belajar dinamis, serta menghasilkan aplikasi frontend fungsional yang mengintegrasikan soal tersebut dengan elemen gamifikasi. Dengan menggunakan metodologi Waterfall, sebuah aplikasi pembelajaran berbasis web berhasil dikembangkan. Solusi ini mengubah soal-soal statis menjadi simulasi interaktif melalui dua model utama: Cipher-n, yang dikembangkan dari soal "Cipher 8", dan Ring Cipher. Untuk meningkatkan motivasi, aplikasi ini didukung elemen gamifikasi yang terintegrasi, meliputi sistem penilaian berbasis kinerja, leaderboard, dan streak harian. Pengujian fungsional memverifikasi bahwa seluruh fitur berjalan sesuai dengan perancangan. Pengujian fungsional mengindikasikan bahwa fitur-fitur utama berjalan sesuai dengan perancangan pada skenario yang diuji. Pengujian usability dengan 5 partisipan target menghasilkan skor rata-rata System Usability Scale (SUS) sebesar 74 (kategori “Baik”) dan skor Net Promoter Score (NPS) +60 (kategori “Luar Biasa”). Hasil ini memberikan indikasi bahwa aplikasi yang dikembangkan bersifat fungsional dan memiliki tingkat usability yang cukup baik pada sampel terbatas.
DETEKSI ATRIAL FIBRILLATION BERBASIS SINYAL PHOTOPLETHYSMOGRAPHY DARI PERANGKAT WEARABLE
Atrial Fibrillation (AF) merupakan salah satu gangguan irama jantung yang dapat menyebabkan stroke. Tugas akhir ini bertujuan untuk mengembangkan metode deteksi AF yang optimal menggunakan sinyal Photoplethysmography (PPG) dari perangkat wearable. Permasalahan utama yang dikaji adalah optimalisasi deteksi AF dari data PPG berukuran besar dengan kualitas sinyal atau Signal Quality Index (SQI) yang rendah. Data yang digunakan memiliki rata-rata nilai SQI sebesar 58,99%. Terdapat 10 fitur sinyal PPG yang digunakan dalam deteksi AF. Metode yang dikembangkan mencakup serangkaian eksperimen untuk mengoptimalkan konfigurasi dalam deteksi AF. Metode deteksi AF dilakukan dengan tahap penyaringan sinyal dengan pustaka pyPPG, persiapan data, penerapan SQI threshold, dan inferensi hasil dengan model yang dipilih. Hasil eksperimen menunjukkan bahwa penerapan SQI threshold dengan nilai threshold sebesar 98% terbukti meningkatkan kinerja deteksi AF sebesar 18,25% dengan metrik harmonic mean antara sensitivity dan specificity. Kombinasi fitur yang optimal adalah set fitur dengan panjang 7, 8, 9, dan 10. Besar jendela yang optimal adalah 5 atau 10 detik. Model terbaik berdasarkan eksperimen tugas akhir adalah LGBM Classifier. Konfigurasi optimal untuk model ini menggunakan besar jendela 10 detik, nilai SQI threshold sebesar 98%, dan set fitur dengan panjang 10. Kinerja dari model ini memiliki akurasi 93,67%, sensitivity 98,78%, specificity 93,64%, dan harmonic mean 96,14%. Total waktu deteksi AF mulai dari tahap preprocessing hingga inferensi model adalah 119,84 milliseconds untuk 1.000 baris data sinyal PPG dengan 10 fitur.
PEMBANGUNAN KAKAS BANTU ANALISIS KODE STATIS BERBASIS LARGE LANGUAGE MODEL UNTUK DETEKSI CROSS-SITE SCRIPTING
Keamanan aplikasi web masih menjadi tantangan utama dalam pengembangan perangkat lunak, salah satunya adalah kerentanan Cross-Site Scripting (XSS). Metode deteksi konvensional berbasis aturan, seperti Semgrep—yaitu alat analisis kode statis yang bekerja dengan mendeteksi pola kerentanan berdasarkan rule set tertentu—dan metode berbasis machine learning, memiliki sejumlah keterbatasan seperti tingginya tingkat false positives dan ketergantungan pada dataset yang besar dan representatif. Large Language Model (LLM) baru-baru ini dinilai mampu mengatasi keterbatasan tersebut dengan memahami struktur dan konteks kode secara lebih mendalam tanpa bergantung pada aturan eksplisit. Penelitian ini bertujuan mengembangkan kakas bantu analisis kode statis berbasis LLM, khususnya GPT-4, untuk meningkatkan akurasi deteksi kerentanan XSS. Metode yang digunakan mencakup pendekatan zero-shot learning melalui prompt engineering dengan menggunakan Context Manager Pattern dan Template Pattern. Kakas dikembangkan dengan arsitektur berbasis web menggunakan Supabase, GitHub API, dan OpenAI API untuk integrasi penuh dengan alur kerja pengembangan perangkat lunak. Hasil evaluasi dengan dataset 250 file kode menunjukkan kakas berbasis LLM mencapai akurasi 95,6%, precision 99,1%, recall 92,1%, dan F1-score 95,5%, jauh lebih baik dibandingkan Semgrep dengan akurasi 72,8%, precision 72,0%, recall 75,4%, dan F1-score 73,6%. Berdasarkan pengujian fungsional, kakas dapat bekerja secara konsisten dan memenuhi seluruh kebutuhan fungsional yang ditentukan. Sebagai pengembangan lanjutan, disarankan untuk mengintegrasikan kakas dalam bentuk GitHub App agar lebih praktis digunakan serta mengombinasikan metode LLM dengan analisis statis konvensional untuk meningkatkan deteksi yang lebih akurat.
PENERAPAN AUGMENTASI DATA UNTUK MENGURANGI VARIABILITAS SESI PADA SISTEM IDENTIFIKASI PEMBICARA BERBASIS I-VECTOR
Variabilitas sesi akibat perubahan kanal dan kondisi akustik sering menurunkan kinerja sistem identifikasi pembicara berbasis i-vector. Penelitian ini menerapkan teknik augmentasi data untuk mengurangi efek tersebut dan meningkatkan ketahanan sistem. Dataset dibangun dari lima korpus bahasa Indonesia dengan enam kondisi rekaman (tanpa augmentasi, additive noise, dua tingkat reverberasi, gain, dan speed perturbation). Setiap sinyal dipraposes ke MFCC 39 dimensi, dilatih GMM-UBM 128 komponen, diekstrak i-vector 200 dimensi, lalu di-scoring dengan Linear Discriminant Analysis (LDA) + Cosine Distance dan Probabilistic Linear Discriminant Analysis (PLDA). untuk mengevaluasi kesamaan i-vector uji dan referensi. Eksperimen faktorial dibagi dalam delapan konfigurasi, yaitu augmentasi data latih (ada/tidak) dan empat tingkat overlap antara data latih dan pendaftaran. Evaluasi dilakukan pada empat skenario pendaftaran menggunakan metrik akurasi dan Equal Error Rate (EER). Hasil menunjukkan bahwa augmentasi tidak selalu meningkatkan akurasi pada LDA+Cosine (tertinggi 98,5 % tanpa augmentasi), tetapi pada PLDA memberikan peningkatan konsisten, akselerasi hingga 94,7% dan penurunan EER hingga 1,74%, terutama pada skenario full overlap dengan augmentasi simetris. Penelitian ini membuktikan bahwa augmentasi data simetris pada pelatihan dan pendaftaran, dipadukan dengan model PLDA, secara signifikan meningkatkan robustness, ketahanan sistem terhadap variabilitas akustik, sistem identifikasi pembicara berbasis i-vector.
PENGEMBANGAN PACKER UNTUK MENGHINDARI DETEKSI ANTIVIRUS
Produk keamanan modern, terutama yang didukung oleh deteksi berbasis cloud, menjadi penghalang utama bagi keberhasilan operasi siber. Penelitian ini bertujuan mengembangkan sebuah packer yang efektif untuk menyamarkan malware dan menembus pertahanan produk antivirus (AV) serta Endpoint Detection and Response (EDR). Metodologi yang digunakan adalah dengan merancang, mengimplementasikan, dan menguji serangkaian teknik evasi statis dan dinamis. Teknik statis yang diterapkan meliputi enkripsi payload dengan target entropi rendah dan obfuskasi Import Address Table (IAT). Sementara itu, teknik dinamis mencakup DLL Unhooking, HookChain, dan Syscall Tempering untuk melawan analisis perilaku saat runtime. Keberhasilan packer ini diuji terhadap delapan produk keamanan dalam dua kondisi: offline dan online. Hasilnya menunjukkan efektivitas yang cukup tinggi. Pada pengujian statis, kombinasi enkripsi entropi rendah dengan obfuskasi IAT berhasil mencapai tingkat keberhasilan bypass 100% terhadap semua produk, bahkan saat deteksi cloud aktif. Pada pengujian dinamis, meskipun beberapa solusi EDR menunjukkan kemampuan deteksi yang lebih baik pada skenario online, teknik yang dikembangkan tetap mampu menembus pertahanan pada sebagian besar kasus. Dapat disimpulkan bahwa dengan kombinasi teknik evasi yang canggih, packer ini mampu menghindari deteksi dari produk keamanan modern.
SISTEM KLASIFIKASI CITRA IKLAN JUDI ONLINE MENGGUNAKAN VISI KOMPUTER
Judi online merupakan salah satu fenomena yang sedang marak di Indonesia dan telah menimbulkan berbagai macam kerugian. Salah satu penyebab maraknya judi online adalah banyaknya iklan judi online yang beredar. Iklan judi online bermacam-macam bentuknya, ada yang berbentuk teks, ada yang berbentuk video, dan ada juga yang berbentuk citra digital. Salah satu bentuk pencegahan dari judi online adalah dengan memblokir citra iklan judi online yang beredar. Pada tugas akhir ini, dilakukan pengembangan sistem klasifikasi citra iklan judi online dengan tujuan untuk digunakan dalam proses pemblokiran iklan-iklan judi online. Pengembangan sistem klasifikasi citra iklan judi online dilakukan dengan mengimplementasikan dan mengintegrasikan modul ekstraksi teks, modul klasifikasi teks, modul klasifikasi citra, modul fusi, dan modul antarmuka grafis (GUI). Digunakan model pralatih PaddleOCR dan EasyOCR untuk ekstraksi teks, model pralatih IndoBERT varian Base Uncased untuk klasifikasi teks, model pralatih EfficientNet-B0 dan ResNet-50 untuk klasifikasi citra. Berdasarkan hasil pengujian, didapati bahwa gabungan model EfficientNet-B0 dengan model BERT yang menggunakan ekstraksi teks PaddleOCR memiliki akurasi yang paling tinggi, yaitu 96.40%.