📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 6 dokumenPENENTUAN SUMBER DIFUSI PADA JARINGAN BERUKURAN BESAR
Penentuan sumber difusi penting dalam memitigasi fenomena nyata, seperti penyebaran COVID-19 atau informasi hoaks, yang berdampak negatif secara signifikan bagi manusia. Penelitian ini bertujuan mengestimasi lokasi sumber difusi aktual pada jaringan berskala besar menggunakan pendekatan teori graf dan statistika. Jaringan dimodelkan sebagai graf G = (V(G),E(G)), dengan himpunan titik V(G) merepresentasikan entitas, dan himpunan sisi E(G) merepresentasikan jalur penyebaran difusi. Estimasi sumber dilakukan menggunakan metode Maximum Likelihood Estimator (MLE) untuk mengidentifikasi lokasi paling mungkin berdasarkan informasi data pengamatan oleh sejumlah titik yang disebut pengamat. Algoritma dievaluasi melalui simulasi pada graf acak seperti graf Erd?os-Rényi, Barabási-Albert, reguler, dan graf deterministik seperti graf pohon, kisi, kipas, roda. Diterapkan pula variasi parameter jaringan serta strategi penempatan titik pengamat berbasis sentralitas dan himpunan pembeda. Hasil simulasi menunjukkan bahwa performa estimator sangat bergantung pada karakteristik topologis jaringan. Pendekatan MLE memberikan akurasi lokalisasi optimal pada graf acak, karena heterogenitas strukturnya lebih selaras dengan asumsi rute difusi yang dimodelkan. Sebaliknya, estimasi pada graf deterministik menghasilkan akurasi lebih rendah akibat struktur simetris yang menyebabkan estimator kurang memperoleh informasi spesifik secara akurat mengenai lokasi sumber. Secara keseluruhan, metode MLE relatif efektif diterapkan pada jaringan acak yang merepresentasikan kompleksitas dunia nyata. Namun, untuk jaringan dengan keteraturan struktural tinggi, diperlukan penyesuaian model atau pendekatan alternatif yang lebih relevan agar dapat mencapai hasil akurasi yang optimal.
PENGIRIMAN DAN MANAJEMEN DATA UNTUK SISTEM INFORMASI KEMACETAN LALU LINTAS BERBASIS KOMUNITAS
Dalam kehidupan sehari-hari, kemacetan lalu lintas merupakan salah satu masalah umum di kota-kota besar seperti Jakarta atau Bandung, terutama saat hendak bepergian. Kurang baiknya sarana transportasi umum, menyebabkan masyarakat memilih untuk menggunakan kendaraan pribadi. Hal ini menyebabkan ruas jalan penuh dengan kendaraan dan ketika kapasitas jalan tidak mampu menampung volume kendaraan maka dapat terjadi kemacetan lalu lintas. Informasi kemacetan lalu lintas akan menjadi hal yang penting ketika masyarakat hendak bepergian atau melakukan perjalanan. Dengan memperoleh informasi kemacetan lalu llintas masyarakat dapat menghindari ruas jalan yang macet sehingga perjalanan mereka tidak terhambat. Dalam tugas akhir ini akan dibuat suatu sistem yang akan memberikan informasi kemacetan lalu lintas dimana informasi lalu lintas berasal dari laporan pengguna jalan. Untuk mempermudah pengguna dalam membagi atau melaporkan data kemacetan lalu lintas, dibuat suatu aplikasi mobile phone yang memanfaatkan teknologi global positioning system serta koneksi internet pada mobile phone pengguna. Data kemacetan lalu lintas yang diperoleh dari pengguna ini kemudian diolah sehingga menjadi suatu informasi kemacetan lalu lintas dan ditampilkan dalam suatu peta kemacetan lalu lintas berbasis web.
RECIPROCAL VELOCITY OBSTACLE METHOD SIMULATION FOR COLLISION AVOIDANCE ON SWARM DRONES DYNAMIC FLIGHT FORMATION
This research explores the use of the Reciprocal Velocity Obstacle (RVO) method as a decentralized collision avoidance strategy for swarm drones during dynamic formation changes. Quadrotor UAVs were modeled in a two-dimensional kinematic framework and tested in six scenarios, including structured formation transitions and randomized initial positions. Simulations without avoidance showed frequent collisions, particularly at the formation center. With RVO implemented, all scenarios achieved safe formation changes with zero collisions, confirmed by minimum drone separations consistently above the threshold. Path deviation analysis revealed that smaller swarms and simpler transitions produced minimal detours, while denser and more complex transformations led to larger deviations due to congestion. Randomized scenarios further demonstrated the robustness and consistency of RVO across repeated trials. These results validate RVO as an effective and reliable framework for swarm drone collision avoidance, while highlighting the need for future studies on scalability, three-dimensional modeling, and real-world sensor integration.
PENINGKATAN KETAHANAN DIGITAL WATERMARKING TERHADAP SERANGAN DETEKSI MELALUI KOMBINASI PEMILIHAN PIKSEL BERBASIS ENTROPI DAN OBFUSKASI STATISTIK
Penyebaran konten visual di media sosial telah meningkatkan kebutuhan akan perlindungan hak cipta dan jaminan keaslian karya digital. Meskipun steganografi Least Significant Bit (LSB) umum digunakan, metode konvensional memiliki kelemahan mendasar berupa kerentanan terhadap serangan deteksi statistik. Untuk menjawab tantangan tersebut, penelitian ini mengembangkan sebuah metode steganografi baru yang dirancang untuk menyisipkan watermark secara kuat dan tidak kasat mata. Metode yang diusulkan secara cerdas memanfaatkan area gambar yang paling ramai atau bertekstur sebagai lokasi penyisipan data, sehingga memastikan kualitas visual tetap terjaga. Untuk memperkuat keamanannya, dua strategi utama diterapkan: (1) penggunaan pseudo-random number generator (PRNG) yang diinisiasi dengan kunci rahasia untuk menyebar lokasi penyisipan secara acak, dan (2) pengenalan teknik unik LSB zero-biasing yang secara khusus dirancang untuk menetralkan serangan deteksi berbasis Chi-Square. Efektivitas dan kelayakan praktis dari metode ini dibuktikan melalui implementasinya pada sebuah aplikasi web media sosial yang bertujuan untuk menegakkan kepemilikan digital. Serangkaian pengujian komprehensif menunjukkan bahwa metode ini mencapai tingkat kualitas visual yang sangat baik, dibuktikan dengan skor Peak Signal-to- Noise Ratio (PSNR) yang melampaui 63 dB. Lebih lanjut, metode ini berhasil mencapai keseimbangan yang optimal antara kapasitas penyisipan data dan efisiensi komputasi. Dalam hal keamanan, metode yang diusulkan terbukti unggul ketika diuji bersamaan dengan empat teknik canggih lainnya dalam menghadapi serangan RS, SPAM, dan Chi-Square. Hasil penelitian ini mengukuhkan bahwa metode yang diusulkan merupakan sebuah solusi yang ringan, efektif, dan praktis untuk mengamankan properti intelektual di era digital saat ini.
APROKSIMASI DIMENSI MULTISET LOKAL PADA GRAF DENGAN MENGGUNAKAN METODE PEMBELAJARAN MESIN
Untuk suatu graf tak-berarah dan terhubung G = (V,E), serta himpunan W = {w1,w2, . . . ,wk} ? V , representasi multiset dari titik v ? V terhadap W didefinisikan sebagai r?(v|W) = {d(v,wi) : wi ? W}, dengan d(u, v) menyatakan jarak antara u dan v. Himpunan W disebut himpunan pembeda multiset lokal jika untuk setiap pasangan titik u, v ? V yang bertetangga, berlaku r?(u|W) ?= r?(v|W). Kardinalitas minimum himpunan pembeda ini disebut dimensi multiset lokal dari graf G. Karena waktu dan iterasi pencarian nilai dimensi multiset lokal menyeluruh bersifat eksponensial terhadap banyak titik, penelitian ini mengusulkan pendekatan aproksimasi menggunakan Graph Neural Network, dengan dua skema pembelajaran: pembelajaran terarah dan pembelajaran penguatan. Model Graph Convolutional Network dan Graph Sample and Aggregate dilatih untuk memprediksi himpunan pembeda lokal dari dataset berisi 2.999 graf acak dengan n = 10 hingga 60 simpul dari enam jenis graf acak. Evaluasi dilakukan berdasarkan galat prediksi dan waktu komputasi.
APROKSIMASI DIMENSI MULTISET LOKAL PADA GRAF DENGAN MENGGUNAKAN METODE PEMBELAJARAN MESIN
Untuk suatu graf tak-berarah dan terhubung G = (V,E), serta himpunan W = {w1,w2, . . . ,wk} ? V , representasi multiset dari titik v ? V terhadap W didefinisikan sebagai r?(v|W) = {d(v,wi) : wi ? W}, dengan d(u, v) menyatakan jarak antara u dan v. Himpunan W disebut himpunan pembeda multiset lokal jika untuk setiap pasangan titik u, v ? V yang bertetangga, berlaku r?(u|W) ?= r?(v|W). Kardinalitas minimum himpunan pembeda ini disebut dimensi multiset lokal dari graf G. Karena waktu dan iterasi pencarian nilai dimensi multiset lokal menyeluruh bersifat eksponensial terhadap banyak titik, penelitian ini mengusulkan pendekatan aproksimasi menggunakan Graph Neural Network, dengan dua skema pembelajaran: pembelajaran terarah dan pembelajaran penguatan. Model Graph Convolutional Network dan Graph Sample and Aggregate dilatih untuk memprediksi himpunan pembeda lokal dari dataset berisi 2.999 graf acak dengan n = 10 hingga 60 simpul dari enam jenis graf acak. Evaluasi dilakukan berdasarkan galat prediksi dan waktu komputasi.