📚 Eksplorasi & Komparasi Topik Dokumen

IDENTIFIKASI NANOPARTIKEL MELALUI PENAMPANG OPTIK DENGAN BANTUAN PEMBELAJARAN MESIN

Identifikasi jenis material dan jari-jari nanopartikel merupakan permasalahan inversi yang penting dalam karakterisasi optik karena kedua parameter tersebut menentukan respons optik cahaya nanopartikel. Teori Mie memungkinkan spektrum penampang optik dihitung secara akurat sehingga dapat dimanfaatkan sebagai dasar identifikasi material dan estimasi jari-jari. Penelitian ini bertujuan mengembangkan model Artificial Neural Network (ANN) untuk mengidentifikasi jenis material sekaligus mengestimasi jari-jari nanopartikel berdasarkan spektrum penampang optik. Dataset dibangkitkan melalui simulasi Teori Mie untuk empat jenis material, yaitu emas, tembaga, silikon, dan germanium, dengan variasi jarijari serta penambahan konvolusi Gaussian dan derau untuk merepresentasikan kondisi pengukuran. Selain itu, dikembangkan strategi pemilihan jari-jari pelatihan berdasarkan karakteristik perubahan spektrum serta metode refinement untuk meningkatkan hasil prediksi ANN. Hasil penelitian menunjukkan bahwa model ANN mampu mengidentifikasi jenis material dan mengestimasi jari-jari nanopartikel pada data simulasi. Metode refinement meningkatkan kualitas hasil prediksi, sedangkan strategi pemilihan jari-jari pelatihan berhasil diterapkan dan dievaluasi sebagai salah satu pendekatan dalam pembentukan dataset. Penelitian ini menunjukkan bahwa pendekatan berbasis pembelajaran mesin berpotensi digunakan untuk menyelesaikan permasalahan inversi penampang optik nanopartikel.

Observatorium Imahnoong merupakan sebuah bangunan yang di dalamnya terdapat sebuah teropong bintang. Saat ini, teropong Imahnoong dapat dikendalikan melalui komputer. Apabila ingin mengaksesnya secara remote, maka harus diatur secara manual dengan menggunakan AnyDesk. Tugas Akhir ini menghasilkan implementasi dari akses jarak jauh ke teleskop Imahnoong yang saat ini belum memiliki kemampuan nirkabel dan terkendala oleh lokasi fisik. Masalah yang terjadi adalah tidak adanya antarmuka berbasis jaringan lokal untuk mengendalikan teleskop dengan menggabungkan kebutuhan-kebutuhan fungsional melalui pendekatan Internet of Things (IoT). Dalam pengerjaan tugas akhir ini, dikembangkan sistem yang mampu mengeksekusi perintah secara real-time dan akurat melaluijaringan dan menyediakan akses data penelitian darijarakjauh tanpa menghalangi penggunaan teleskop secara lokal sebagai bentuk integrasi dengan infrastruktur yang sudah ada. Cakupan dari tugas akhir ini meliputi hal-hal sebagai berikut: kendali melalui jaringan lokal dengan mengasumsikan perangkat pengendali yang terhubung sudah diotorisasi, dan kompatibilitas yang luas pada berbagai sistem operasi milik pengguna. Cakupan tersebut mengecualikan akses yang berbasis intemet dan generalisasi ke teleskop selain Imahnoong. Pengembangan dilakukan dengan metodologi Agile, yang melibatkan tahapan­tahapan iteratif untuk identifikasi persyaratan, perancangan sistem, implementasi, pengujian, dan evaluasi. Temuan-temuan utama menunjukkan bahwa sistem yang diimplementasikan dapat melakukan perintah secara real-time, menggunakan protokol yang dioptimalkan untuk kinerja sistem, memungkinkan akuisisi data jarak jauh, dan kompatibel dengan arsitektur yang ada. Sistem antarmuka ini diharapkan dapat meningkatkan kemampuan Imahnoong untuk penelitian astronomi dengan memungkinkan operasi jarak jauh dan membuka jalan bagi perluasan IoT di masa mendatang.

PERANCANGAN KAMUS KOMPETENSI DAN KEBUTUHAN KOMPETENSI JABATAN (KKJ) UNTUK NETWORK SECURITY OPERATION CENTER PADA PT TELEKOMUNIKASI SELULAR

Sektor telekomunikasi merupakan industri yang memiliki peran penting dalam pertumbuhan ekonomi nasional. PT Telekomunikasi Selular merupakan salah satu perusahaan yang berperan besar dalam sektor ini. Oleh karena itu, penting untuk memastikan bahwa PT Telekomunikasi Selular dapat terus beradaptasi dengan perkembangan teknologi, terutama dalam menghadapi tantangan. Tantangan utama yang dihadapi oleh perusahaan adalah rendahnya tingkat keterampilan karyawan dan ketidakselarasan internal yang menyebabkan efisiensi operasional menurun. Kondisi ini memengaruhi kemampuan perusahaan dalam menghadapi ancaman keamanan siber. Penelitian ini bertujuan untuk merancang kamus kompetensi dan kebutuhan kompetensi jabatan (KKJ) sebagai upaya untuk menjawab permasalahan yang ada. Perancangan kamus kompetensi dan KKJ mengacu pada model kompetensi yang terdiri atas kompetensi inti, pendukung, dan bidang. Kompetensi inti diidentifikasi melalui visi, misi, dan tujuan perusahaan. Kompetensi bidang dan pendukung diidentifikasi melalui proses bisnis perusahaan. Hal ini bertujuan agar perumusan kompetensi berfokus pada kebutuhan organisasi secara keseluruhan, tidak hanya performa individu, tetapi juga bagaimana pekerjaan diintegrasikan dalam struktur organisasi. Dalam penelitian ini digunakan standar kompetensi yang sudah umum digunakan sebagai acuan dalam perancangan kamus kompetensi. Standar kompetensi yang digunakan adalah Standar Kompetensi Kerja Nasional Indonesia (SKKNI) untuk keamanan siber, National Initiatives for Cybersecurity Education (NICE) Framework, dan Mobile Cybersecurity Knowledge Base (MCKB) Hasil penelitian mengidentifikasi terdapat 10 kompetensi inti, 14 kompetensi pendukung, dan 88 kompetensi bidang yang memberikan kontribusi dalam pengelolaan SDM berbasis kompetensi pada NSOC sehingga perusahaan dapat mengatasi kesenjangan keterampilan karyawan, terutama dalam mengatasi insiden siber. Pemenuhan kompetensi yang diperlukan setiap jabatan dapat meningkatkan efisiensi operasional serta mendukung pengelolaan SDM yang lebih strategis dan terfokus pada kebutuhan jangka panjang organisasi.

PERANCANGAN FUZZING BERBASIS DEEP REINFORCEMENT LEARNING UNTUK OPTIMASI PAYLOAD DALAM PENGUJIAN KEAMANAN MOBILE-BASED LEARNING MANAGEMENT SYSTEM

Tantangan keamanan siber semakin kompleks seiring dengan percepatan transformasi digital di berbagai sektor, termasuk pendidikan. Penerapan Learning Management System (LMS) berbasis mobile yang kian meluas menyimpan risiko tersendiri, mengingat potensi penyimpanan data sensitif dan kerentanannya terhadap serangan siber. Oleh karena itu, diperlukan strategi pengujian keamanan yang sistematis, khususnya terhadap aplikasi LMS berbasis Android Package Kit (APK). Fuzzing merupakan metode yang banyak digunakan untuk mendeteksi kerentanan tersembunyi yang memberikan input acak ke aplikasi. Namun, pedekatan tradisional memiliki keterbatasan dalam menjangkau input kompleks dan struktur aplikasi yang dinamis. Penelitian ini mengusulkan sistem pengujian keamanan otomatis berbasis Deep Reinforcement Learning (DRL), dengan pendekatan Deep Q-Network (DQN), guna mengoptimalkan proses fuzzing pada aplikasi LMS mobile. Sistem yang dikembangkan difokuskan pada eksplorasi komponen exported melalui intent eksplisit, serta penyisipan payload fuzzing yang relevan. Meskipun tidak ditemukan crash fatal atau ANR dalam pengujian, sistem berhasil memicu sejumlah error log dan anomali non-kritis (lenient) yang mengindikasikan potensi kerentanan non-fatal. Secara keseluruhan, efektivitas payload DRL tercatat mencapai rata-rata 6,77%, dengan kecepatan eksplorasi lebih tinggi dan cakupan aksi yang lebih luas dibandingkan teknik fuzzing konvensional. Perancangan reward function yang mengacu pada hasil parsing logcat terbukti efektif mengarahkan proses pembelajaran agen secara efisien. Hasil eksperimen menunjukkan bahwa pendekatan DRL mampu meningkatkan kedalaman dan efektivitas pengujian keamanan tanpa memerlukan akses ke kode sumber. Sistem ini telah berhasil diuji pada APK LMS milik Instansi Pendidikan X dan menunjukkan potensi sebagai alat bantu pengujian keamanan mobile yang adaptif dan terukur. Temuan ini diharapkan dapat mendukung pengembangan LMS mobile yang lebih tangguh dan aman bagi seluruh pengguna.

PENERAPAN MACHINE LEARNING UNTUK KLASIFIKASI KURVA CAHAYA SUPERNOVA TIPE IA SEBAGAI PENGGANTI PROSES HUMAN VETTING PADA ZWICKY TRANSIENT FACILITY BRIGHT TRANSIENT SURVEY (BTS)

Supernova merupakan ledakan dahsyat akibat reaksi pelepasan nuklir yang mengakhiri masa hidup sebuah bintang. Supernova penting dipelajari karena memberikan berbagai wawasan salah satunya supernova tipe Ia (SN Ia) dapat dijadikan sebagai standard candle yang dapat membantu pengukuran parameter kosmologi. Zwicky Transient Facility (ZTF) merupakan fasilitas penelitian supernova yang difasilitasi teleskop wide survey dan teleskop yang dilengkapi spektograf. ZTF memiliki sistem yang dapat menyeleksi ratusan ribu objek alert secara otomatis menjadi ratusan kandidat transien setiap malamnya. Namun setelah itu ratusan objek ini harus diseleksi melalui proses memindai kurva cahaya dan citra objek secara manual yang disebuthuman vetting untuk mendapatkan kandidat transien prioritas yang akan dilakukan pengamatan follow up menggunakan spektograf. Tugas akhir ini bertujuan untuk merumuskan pengganti proses human vetting pada ZTF menggunakan klasifikasi kurva cahaya supernova berbasis machine learning. Tugas akhir ini melanjutkan ide dari Dobryakov dkk. (2021) yang menggunakan model Logistic Regression, Random Forest, XGBoost, dan One-Layer Neural Network untuk klasifikasi SN ia memanfaatkan data kurva cahaya filter r dari Open Supernova Catalogue (OSC) dengan performa terbaik dicapai model Random Forest. Pada tugas akhir ini digunakan model yang sama namun diubah parameter modelnya dan juga penambahan layer pada model Neural Network. Selain itu pada tugas akhir ini digunakan data kurva cahaya dari filter g dan filter r dari ZTF alert archive yang juga berpengaruh pada performa model. Didapat model Neural Network yang dilatih menggunakan data kurva cahaya filter g dan filter r memiliki performa terbaik dengan nilai ROC AUC 0,919. Dengan nilai performa model yang tinggi, penentuan objek prioritas kandidat transien menggunakan klasifikasi kurva cahaya objek transien berbasis machine learning berpotensi untuk diajukan sebagai alternatif proses human vetting pada ZTF.

MODIFIKASI DOKUMEN SPESIFIKASI KEBUTUHAN PERANGKAT LUNAK DENGAN FITUR PEMBELAJARAN MESIN UNTUK PROGRAM STUDI TEKNIK INFORMATIKA ITB

Tugas akhir ini berfokus pada modifikasi dokumen spesifikasi kebutuhan perangkat lunak (SKPL) untuk perangkat lunak dengan fitur pembelajaran mesin (machine learning/ML). Dengan semakin maraknya integrasi ML dalam perangkat lunak, muncul kebutuhan spesifik yang belum tercakup dalam format dokumen SKPL yang ada, khususnya format yang digunakan di Program Studi Teknik Informatika ITB. Modifikasi dokumen SKPL diawali dengan analisis terhadap kebutuhan spesifik ML yang meliputi kebutuhan fungsional dan non-fungsional seperti explainability dan fairness. Proses modifikasi dokumen SKPL mencakup eksplorasi kebutuhan spesifik ML dari berbagai literatur, analisis item informasi pada dokumen SKPL, dan modifikasi dokumen sesuai dengan kebutuhan yang telah diidentifikasi. Terakhir, dilakukan pengembangan kakas bantu sebagai panduan dalam menulis dokumen SKPL hasil modifikasi. Kakas yang dikembangkan mencakup fitur-fitur untuk memudahkan penulisan dokumen SKPL yang telah dimodifikasi untuk mengakomodasi kebutuhan terkait pengembangan fitur ML. Hasil evaluasi dan validasi menunjukkan bahwa dokumen SKPL yang sudah dimodifikasi mampu menangkap dan mendefinisikan kebutuhan perangkat lunak dengan fitur ML dengan baik. Hasil pengujian kakas menunjukkan bahwa kakas yang telah dikembangkan dapat digunakan dengan baik untuk membantu pembuatan dokumen SKPL.