Kegiatan Penelitian

Abstrak / Ringkasan Pertumbuhan ekosistem Android yang masif berbanding lurus dengan peningkatan kompleksitas serangan malware. Meskipun metode deteksi berbasis Deep Learning menunjukkan akurasi tinggi, model tersebut sering kali bersifat black-box, sehingga sulit bagi analis keamanan untuk memahami karakteristik fitur serangan secara transparan. Penelitian ini bertujuan mengembangkan model deteksi malware Android yang tidak hanya akurat tetapi juga interpretable (dapat dijelaskan) menggunakan algoritma Light Gradient Boosting Machine (LightGBM) dan Random Forest pada dataset CICAndMal2017. Pendekatan ini dipilih karena efisiensi komputasi yang tinggi dan kemampuan feature importance bawaan yang mendukung audit keamanan. Metode penelitian mencakup pembangunan pipeline dua-lapis untuk menangani big data, ekstraksi fitur berbasis network-flow, serta evaluasi model pada tiga level klasifikasi: binary (jinak/jahat), category (jenis serangan), dan family (varian malware). Kebaruan penelitian terletak pada analisis interpretability model untuk memetakan fitur jaringan paling dominan dalam serangan modern. Luaran wajib penelitian ini adalah publikasi pada Jurnal Internasional/Nasional Terakreditasi Sinta 2 dan Hak Cipta (HKI) atas alur logika sistem deteksi. Penelitian ini berada pada Tingkat Kesiapan Teknologi (TKT) 3, yang berfokus pada pembuktian konsep fungsi dan karakteristik analitis secara laboratorium.

Abstrak / Ringkasan Keamanan enkripsi citra digital yang menggunakan Advanced Encryption Standard (AES) semakin mendapat perhatian karena munculnya berbagai temuan mengenai potensi kebocoran kunci melalui kanal samping selama proses enkripsi. Pola kebocoran tersebut sering kali bersifat halus, non-linear, dan sulit dideteksi melalui pendekatan analitis konvensional, sehingga diperlukan metode yang mampu memodelkannya secara lebih komprehensif. Urgensi penelitian ini terletak pada kebutuhan akan mekanisme evaluasi keamanan yang tidak hanya mengukur performa enkripsi, tetapi juga mampu mengidentifikasi jejak komputasi yang berpotensi mengungkapkan kunci enkripsi. Berdasarkan kebutuhan tersebut, penelitian ini bertujuan untuk mengembangkan framework deep learning yang mampu mendeteksi, memodelkan, dan mengklasifikasikan pola kebocoran kunci pada implementasi AES citra digital secara sistematis. Metode penelitian meliputi penguatan literatur, perancangan skema akuisisi trace komputasi, pengumpulan dataset citra dan power/timing trace, proses pre-processing berbasis normalisasi dan segmentasi, ekstraksi fitur, serta perancangan arsitektur deep learning berbasis kombinasi konvolusi dan attention mechanism. Model kemudian dilatih dan divalidasi menggunakan berbagai skenario kebisingan untuk memastikan sensitivitasnya terhadap variasi pola leakage. Selain itu, penelitian ini mengintegrasikan teknik interpretabilitas seperti attention map untuk menjelaskan karakteristik sinyal yang berkontribusi terhadap prediksi model, sehingga hasil yang diperoleh tidak hanya akurat, tetapi juga dapat dipertanggungjawabkan secara analitis. Luaran penelitian yang ditargetkan meliputi publikasi ilmiah pada jurnal nasional terakreditasi Sinta 2 (Status : publish) dan 1 Haki hak cipta computer (status : terbit).

Abstrak / Ringkasan Perkembangan ekosistem digital modern telah mendorong meningkatnya kebutuhan akan keamanan data visual, khususnya citra digital yang digunakan pada berbagai aplikasi seperti komunikasi daring, telemedisin, sistem pengawasan, dan layanan multimedia. Struktur citra yang memiliki korelasi piksel tinggi serta pola intensitas yang mudah dianalisis menjadikannya rentan terhadap berbagai serangan seperti brute-force, analisis statistik, known-plaintext attack, hingga differential attack. Di sisi lain, metode enkripsi berbasis chaotic map konvensional masih memiliki keterbatasan dalam menghasilkan keacakan yang kuat, terutama ketika menghadapi dinamika citra beresolusi tinggi dan kebutuhan distribusi piksel yang benar-benar acak. Kondisi ini menegaskan urgensi untuk mengembangkan pendekatan enkripsi yang lebih adaptif, kompleks, dan sulit diprediksi oleh penyerang modern. Penelitian ini bertujuan mengembangkan model enkripsi citra berbasis Fractional-Order Hyper-Chaotic Lorenz System yang dikombinasikan dengan mekanisme two-stage confusion�diffusion sebagai upaya memperkuat keacakan piksel dan meningkatkan ketahanan terhadap serangan statistik serta diferensial. Tujuan penelitian mencakup penguatan dinamika chaos menggunakan orde fraksional, pemutusan korelasi spasial antar piksel melalui dua tahap confusion�diffusion, serta mempertahankan kualitas rekonstruksi citra yang diukur menggunakan MSE dan PSNR agar proses dekripsi berlangsung sempurna. Metode penelitian meliputi studi literatur; perancangan arsitektur enkripsi berbasis chaos fraksional; implementasi prototipe baseline; pengembangan model utama; optimasi parameter chaos; pengujian pada berbagai resolusi citra; serta evaluasi performa menggunakan entropi, histogram, korelasi piksel, NPCR, dan UACI. Hasil analisis digunakan untuk menyusun rekomendasi pengembangan lanjutan sesuai roadmap penelitian lima tahun. Luaran penelitian ini ditargetkan mencakup publikasi ilmiah SINTA 2 di Jurnal JUTIF status published; serta HKI Program Komputer untuk proteksi algoritma enkripsi yang dihasilkan.

Abstrak / Ringkasan Pengamanan data multimedia semakin meningkat seiring dengan maraknya distribusi video digital pada berbagai platform modern, termasuk komunikasi daring, layanan telemedicine, serta sistem pengawasan cerdas. Metode enkripsi konvensional dengan chaotic map tunggal sering kali tidak mampu memberikan tingkat keamanan yang memadai ketika berhadapan dengan pola spasio-temporal video yang kompleks dan maraknya serangan statistik maupun diferensial. Kondisi ini menuntut pengembangan pendekatan kriptografi baru yang lebih acak, adaptif, dan memiliki stabilitas performa pada berbagai ukuran resolusi. Penelitian ini bertujuan mengembangkan algoritma Multi-Chaotic Map Cascade (MCMC) sebagai model enkripsi video yang memadukan beberapa peta chaos secara berlapis untuk menghasilkan key-stream yang lebih kompleks, sulit diprediksi, dan memiliki sensitivitas tinggi terhadap perubahan piksel. Metode penelitian dimulai dengan studi literatur, perumusan research question, serta perancangan arsitektur MCMC. Selanjutnya dilakukan implementasi model baseline berbasis single-chaos sebagai pembanding awal sebelum dikembangkan model MCMC iterasi pertama. Optimasi iterasi kedua dilakukan dengan penyesuaian parameter chaos, peningkatan sensitivitas nonlinear, serta efisiensi komputasi. Model kemudian diujikan pada video multi-resolusi (144p�2K) untuk mengevaluasi ketahanan terhadap statistical resistance (entropi, histogram, korelasi) dan differential resistance menggunakan NPCR dan UACI. Analisis performa dilakukan untuk memastikan kestabilan enkripsi di seluruh resolusi dan untuk mengidentifikasi potensi peningkatan pada penelitian berikutnya. Luaran penelitian tahun pertama ditargetkan mencakup dua keluaran utama, yaitu: (1) publikasi ilmiah pada jurnal nasional pada jurnal KINETIK (publisher UMM) dengan stats accepted, (2) HKI Sistem Algoritma Enkripsi MCMC sebagai bukti orisinalitas rancangan algoritma.

Abstrak / Ringkasan Peningkatan intensitas pertukaran data visual pada platform digital modern menimbulkan kebutuhan mendesak akan teknik penyembunyian informasi yang lebih aman, adaptif, dan sulit dideteksi. Metode steganografi konvensional umumnya masih menghadapi keterbatasan kapasitas payload dan kerentanan terhadap deteksi oleh steganalysis berbasis deep learning. Pada saat yang sama, kemajuan diffusion model menawarkan peluang baru untuk membangun skema penyisipan pesan yang lebih natural dan terdistribusi secara probabilistik. Berdasarkan urgensi tersebut, penelitian ini bertujuan untuk mengembangkan metode steganografi citra berbasis diffusion model yang diperkaya dengan mekanisme Latent Noise Enhancement (LNE), yakni teknik penguatan noise laten yang dirancang untuk memperbesar kapasitas payload sekaligus menurunkan jejak statistik sehingga citra hasil penyisipan tetap sukar dideteksi. Metode penelitian ini meliputi empat tahapan utama: (1) analisis literatur, perumusan kebutuhan teknis, dan persiapan dataset; (2) perancangan arsitektur diffusion model serta pengembangan mekanisme LNE untuk mengintegrasikan pesan ke dalam ruang laten secara adaptif; (3) evaluasi imperceptibility dan ketahanan model terhadap steganalysis modern melalui pengujian kualitas visual dan robustness; serta (4) dokumentasi, penyusunan manuskrip, dan finalisasi sistem sebagai dasar luaran ilmiah dan kekayaan intelektual. Mekanisme LNE dirancang untuk menggabungkan distribusi noise laten dengan payload sehingga penyisipan pesan tersebar secara progresif dan tidak menghasilkan pola residu yang mudah dikenali. Luaran penelitian yang ditargetkan terdiri dari: (1) publikasi artikel ilmiah pada jurnal Sinta 2, yakni Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) � Universitas Brawijaya (status published), HKI berupa Hak Cipta Program Komputer (status publish), 1 aplikasi sederhana yang mengimplementasikan usulan metode.

Abstrak / Ringkasan Pertanian merupakan sektor vital dalam mendukung ketahanan pangan nasional, namun masih menghadapi tantangan serius seperti perubahan iklim dan ketidakefisienan pengelolaan. Berdasarkan data, kerugian sektor pertanian akibat perubahan iklim di Indonesia mencapai Rp78 triliun selama periode 2020�2024. Untuk menjawab tantangan ini, dibutuhkan sistem monitoring berbasis teknologi yang mampu memantau kondisi pertumbuhan tanaman secara real-time dan aman. Urgensi dari penelitian ini terletak pada kebutuhan akan sistem monitoring pertanian yang tidak hanya mampu memprediksi pertumbuhan tanaman secara akurat, tetapi juga menjamin keamanan data sensor yang dikirim melalui jaringan terbuka. Dalam era digitalisasi pertanian, keamanan data sering kali diabaikan, padahal informasi sensor yang tidak terlindungi berisiko disalahgunakan atau dimanipulasi, yang dapat memengaruhi pengambilan keputusan oleh petani. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem monitoring pertumbuhan tanaman bawang merah berbasis Internet of Things (IoT), yang menggabungkan algoritma regresi linier untuk prediksi pertumbuhan dan Vigen�re Cipher sebagai metode kriptografi cipher simetris untuk mengamankan data sensor. Metode yang digunakan meliputi: analisis kebutuhan sistem, desain perangkat keras dan lunak, integrasi sensor dengan Arduino, implementasi enkripsi Vigen�re Cipher, pembangunan model prediksi menggunakan regresi linier, serta pengujian dan evaluasi sistem. Data terenkripsi akan dikirim secara nirkabel ke server untuk analisis lanjutan. Luaran yang dicapai yaitu prototipe sistem monitoring IoT (status : tersedia), publikasi ilmiah pada jurnal Scopus Q3 (ISI- IIETA) (status: submitted), KI � Hak Cipta (status : granted) dan laporan penelitian (ststus: tersedia).

Abstrak / Ringkasan Kecelakaan lalu lintas merupakan masalah global yang mengakibatkan kerugian jiwa dan harta benda yang signifikan. Salah satu faktor penyebab kecelakaan adalah kelelahan atau mengantuk pengemudi, yang semakin berisiko dalam kondisi minim cahaya seperti malam hari atau cuaca buruk. Dalam kondisi tersebut, kemampuan pengemudi untuk merespon situasi darurat berkurang drastis, meningkatkan probabilitas terjadinya kecelakaan. Sistem deteksi mengantuk pengemudi saat ini masih memiliki keterbatasan, terutama dalam kondisi minim cahaya. Metode berbasis visi komputer, yang menjanjikan solusi yang efektif dan non-invasif, seringkali terkendala oleh kualitas citra yang rendah akibat minimnya cahaya. Citra yang gelap dan kurang kontras menyulitkan algoritma pengolahan citra untuk mendeteksi tanda-tanda mengantuk seperti menguap, mata tertutup sebagian, atau gerakan kepala yang tidak stabil. Meskipun algoritma peningkatan kontras seperti Histogram Equalization (HE), Adaptive Histogram Equalization (AHE), dan Contrast Limited Adaptive Histogram Equalization (CLAHE) telah banyak diterapkan dalam pengolahan citra, aplikasinya pada deteksi mengantuk pengemudi dalam kondisi minim cahaya masih perlu dieksplorasi lebih lanjut. Pendekatan spasial berbasis histogram dipilih karena kemampuannya untuk meningkatkan kontras secara global maupun lokal, sehingga detail-detail penting pada citra, meskipun dalam kondisi minim cahaya, dapat dipertahankan dan diekstraksi dengan lebih baik. Keberhasilan penelitian ini akan berkontribusi pada pengembangan sistem peringatan dini mengantuk pengemudi yang lebih handal dan aman, khususnya dalam kondisi minim cahaya. Sistem ini dapat diintegrasikan ke dalam kendaraan untuk meningkatkan keselamatan berkendara dan mengurangi angka kecelakaan lalu lintas yang disebabkan oleh kelelahan pengemudi. Hal ini sejalan dengan upaya global untuk meningkatkan keselamatan jalan raya dan mengurangi dampak negatif kecelakaan lalu lintas. Berdasarkan masalah tersebut penelitian ini bertujuan meningkatkan kontras citra pengemudi mengantuk dalam kondisi minim cahaya menggunakan pendekatan spasial berbasis histogram, diharapkan penelitian kedepannya terkait akurasi deteksi mengantuk dapat ditingkatkan. Metode penelitian dibagi dalam dua proses, proses pertama adalah mengumpulkan serta menganalisis dataset, untuk proses kedua yaitu membuat model, mengevaluasi model serta melakukan deployment dari model terbaik. Tahapan deployment sistem dimulai dari analisis sistem, design sistem dan implementasi sistem. Luaran dari penelitian ini akan dipublikasikan dalam jurnal nasional terindeks Sinta 3 dan pengembangan aplikasinya akan didaftarkan dalam HKI. Serta laporan penelitian dari dari seluruh kegiatan yang dilakukan penelitian ini.

Abstrak / Ringkasan Penelitian ini merupakan kontribusi akademik dalam mendukung pengembangan teknologi deteksi dini penyakit kardiovaskular (PKV) secara lebih prediktif dan presisi. Sistem deteksi konvensional masih terbatas pada pendekatan reaktif dan kurang mampu melakukan pemantauan fisiologis secara berkelanjutan. Di sisi lain, integrasi wearable device dan kecerdasan buatan membuka peluang untuk memperluas jangkauan pemantauan kesehatan yang efisien, non-invasif, dan waktu nyata. Penelitian ini juga mendukung SDGs nomor 3 tentang kehidupan sehat dan kesejahteraan semua kalangan usia, serta sejalan dengan arah Rencana Induk Penelitian (RIP) Fakultas Ilmu Komputer UDINUS dalam bidang AI dan teknologi kesehatan digital. Tujuan: mengembangkan CAViT-Net, sebuah model adaptif berbasis CNN-LSTM untuk mengekstraksi representasi spasial dan temporal dari data wearable device, guna meningkatkan akurasi dan sensitivitas deteksi dini risiko PKV. Model CAViT-Net dibangun dari kombinasi CNN untuk fitur spasial dan LSTM untuk pola temporal pada data fisiologis seperti detak jantung, tekanan darah, oksigen, dan HRV. Dataset bersumber dari publikasi terbuka dan dilengkapi label risiko, dilatih dengan pendekatan supervised learning. Model dirancang agar adaptif terhadap variasi data dan kompatibel dengan berbagai jenis wearable device. Luaran utama berupa prototipe model CAViT-Net pada level TKT 2, publikasi pada jurnal internasional bereputasi (Scopus Q2/Q3), serta luaran tambahan berupa hak cipta model. Penelitian ini diharapkan mendorong pengembangan solusi kesehatan digital yang presisi dan berbasis data.

Abstrak / Ringkasan Keamanan data multimedia menjadi semakin krusial seiring dengan meningkatnya ancaman terhadap privasi dan integritas informasi digital, terutama dengan berkembangnya teknologi kecerdasan buatan dan eksploitasi data dalam skala besar. Serangan siber yang semakin kompleks, seperti deepfake, rekayasa sosial berbasis multimedia, dan eksploitasi metadata, menuntut adanya solusi enkripsi yang lebih adaptif dan tangguh. Namun, metode enkripsi konvensional sering kali menghadapi keterbatasan dalam fleksibilitas, adaptivitas, dan efisiensi anonimisasi, sehingga kurang efektif dalam menghadapi ancaman yang terus berkembang. Kurangnya kemampuan untuk menangani berbagai jenis data secara simultan menjadi hambatan dalam penerapan skala luas, terutama dalam lingkungan yang membutuhkan perlindungan data lintas platform. Oleh karena itu, diperlukan solusi yang lebih inovatif untuk meningkatkan keamanan, efisiensi, dan adaptivitas dalam anonimisasi serta enkripsi data multimedia. Penelitian ini bertujuan mengembangkan Adaptive Multimodal Generative Adversarial Network (AM-GAN) yang mampu memproses dan mengamankan berbagai jenis data multimedia, termasuk gambar, video, dan audio, dalam satu model terintegrasi. Model ini dirancang untuk meningkatkan keamanan data dengan mengoptimalkan teknik anonimisasi menggunakan Variational Key Optimization, yang memastikan fleksibilitas dan ketahanan terhadap serangan adversarial. Pengujian dilakukan dengan mengukur metrik performa utama seperti Mean Squared Error (MSE), Peak Signal-to-Noise Ratio (PSNR), dan Structural Similarity Index (SSIM) guna menilai keseimbangan antara keamanan dan kualitas data hasil anonimisasi. Luaran penelitian tahun 1 mencakup publikasi pada jurnal bereputasi (Scopus Q3) di �International Journal of Computing and Digital Systems� (status: Accepted) serta pengajuan Hak Kekayaan Intelektual (HKI) berupa Program Komputer (status: granted).