Kegiatan Penelitian

Abstrak / Ringkasan Pengamanan data visual dalam era digital menjadi tantangan krusial seiring meningkatnya ancaman terhadap kerahasiaan informasi multimedia. Metode kriptografi konvensional dinilai masih rentan dalam melindungi pesan tersembunyi pada citra digital, terutama dari serangan statistik dan analisis visual. Oleh karena itu, penelitian ini diusulkan untuk menjawab urgensi perlunya sistem enkripsi citra yang lebih tangguh dan kompleks. Urgensi penelitian ini terletak pada kebutuhan untuk mengembangkan algoritma enkripsi hybrid double-layer yang menggabungkan Rubik�s Cube Scrambling dan Bitplane Shuffling secara terpadu guna menciptakan sistem enkripsi citra yang lebih kompleks, adaptif, dan tahan terhadap berbagai jenis serangan kriptografi. Di tengah maraknya ancaman keamanan digital, sistem enkripsi satu lapis terbukti belum memadai dalam melindungi pesan tersembunyi dalam citra dari serangan statistik, diferensial, maupun analisis visual. Penelitian ini bertujuan untuk merancang dan mengoptimalkan algoritma hybrid Rubik�s Cube Scrambling dan Bitplane Shuffling untuk meningkatkan robustness enkripsi citra multi-skala. Metode ini diawali dengan membagi citra menjadi blok-blok kecil yang diproses secara spasial melalui prinsip rotasi Rubik�s Cube berdasarkan kunci enkripsi berbasis chaos. Metodologi yang digunakan melibatkan dua tahap utama: (1) segmentasi citra ke dalam blok berukuran tetap dan penerapan Rubik�s Cube Scrambling berdasarkan kunci enkripsi chaos untuk menghasilkan kekacauan spasial; (2) integrasi bitplane dari setiap kanal warna (RGB) yang kemudian diacak secara bit-level untuk meningkatkan kompleksitas dan sensitivitas sistem terhadap perubahan kecil. Evaluasi performa algoritma enkripsi dilakukan dengan menggunakan metrik kuantitatif seperti MSE, PSNR, UACI, dan NPCR untuk mengukur kualitas visual dan tingkat keamanan terhadap modifikasi data. Luaran yang ditargetkan adalah KI- Hak cipta status granted, artikel jurnal Scopyus Q3 di International Journal of Safety and Secure status accepted, prototype (aplikasi sederhana) status tersedia.

Abstrak / Ringkasan Permasalahan sampah di sektor pertanian, khususnya di kawasan Asia, terus meningkat seiring dengan intensifikasi pertanian modern. Menurut data UNESCAP, sekitar 44% sampah di Asia tidak terkelola dengan baik, termasuk limbah pertanian organik dan anorganik yang mencemari lingkungan serta menurunkan produktivitas lahan. Sayangnya, belum banyak sistem cerdas yang mampu melakukan klasifikasi dan pengelolaan sampah secara otomatis dan adaptif di area pertanian. Tantangan utama terletak pada keberagaman bentuk, warna, dan kondisi pencahayaan citra sampah yang membuat metode konvensional tidak akurat dan tidak efisien. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem klasifikasi dan pengelolaan sampah pertanian berbasis Deep Vision Transformer (ViT) yang mampu mengenali berbagai jenis sampah secara otomatis melalui citra digital. Vision Transformer dipilih karena kemampuannya dalam memahami representasi spasial global pada gambar dan mengungguli model CNN dalam beberapa skenario klasifikasi kompleks. Proses penelitian meliputi pengumpulan dataset citra sampah pertanian, pra-pemrosesan dan augmentasi data, pelatihan model ViT dengan fine-tuning, evaluasi performa berbasis confusion matrix, serta integrasi ke dalam sistem pengelolaan sampah cerdas. Evaluasi dilakukan untuk mengukur akurasi, presisi, recall, serta robustitas model dalam menghadapi kondisi visual yang tidak ideal. Luaran penelitian yang ditargetkan antara lain artikel jurnal internasional di Bulletin of Electrical Engineering and Informatics (Scopus � Q3) status accepted, KI Hak Cipta status granted, interface sederhana status tersedia.

Abstrak / Ringkasan Deteksi malware adalah tantangan kritis dalam keamanan siber, karena ancaman yang terus berkembang seperti ransomware, botnet, dan polymorphic malware secara terus-menerus menghindari teknik deteksi berbasis tanda tangan (signature-based) tradisional. Untuk mengatasi keterbatasan ini, pendekatan berbasis machine learning telah mendapatkan popularitas, dengan Support Vector Machine (SVM) muncul sebagai metode klasifikasi yang banyak digunakan. Namun, efektivitas SVM sangat bergantung pada pemilihan kernel-nya, di mana kernel klasik seperti Linear, Radial Basis Function (RBF), Sigmoid, dan Polynomial seringkali kesulitan mempertahankan kinerja optimal di ruang fitur berdimensi tinggi. Studi ini mengeksplorasi penerapan metode Quantum Kernel, khususnya ZZFeatureMap, untuk meningkatkan klasifikasi malware berbasis SVM. Kami melakukan eksperimen pada dataset gabungan dengan 6.248 instance dan 1.083 fitur, menerapkan Principal Component Analysis (PCA) untuk reduksi dimensi dan mengimplementasikan SVM dengan kernel klasik maupun quantum. Hasilnya menunjukkan bahwa Quantum Kernel SVM secara konsisten mengungguli pendekatan klasik, mencapai akurasi 95,83% dan recall 98,04% dengan lima komponen utama. Perbandingan dengan Random Forest dan Neural Networks lebih lanjut menyoroti kinerja superior SVM yang ditingkatkan dengan Quantum Kernel dalam deteksi malware. Meskipun kendala perangkat keras membatasi jumlah komponen utama yang diuji, temuan menunjukkan bahwa pemetaan fitur yang ditingkatkan secara quantum secara signifikan meningkatkan akurasi klasifikasi dalam dataset keamanan siber yang kompleks. Studi ini berkontribusi pada bidang Quantum Machine Learning (QML) yang sedang berkembang untuk keamanan siber, menjembatani kesenjangan antara teknik ML klasik dan metodologi yang ditingkatkan secara quantum. Hasil yang menjanjikan menggarisbawahi potensi Quantum Kernels dalam deteksi ancaman di dunia nyata, membuka jalan bagi aplikasi komputasi quantum di masa depan dalam keamanan siber. Luaran dari proposal hibah ini adalah International Journal bereputasi (Journal of Information and Communication Technology � Q3) sebagai luaran wajib serta International Conference (iSemantic) sebagai luaran tambahan.

Abstrak / Ringkasan Stroke adalah penyakit tidak menular yang disebabkan oleh tersumbatnya pembuluh darah dan pecahnya pembuluh darah, serta darah yang dialirkan dari jantung ke otak tidak membawa oksigen, seingga otak menerima aliran darah yang bersih dan lancar, Dalam penanganan penyakit stoke diperlukan rehabilitasi medis, agar dapat membantu dalam memulihkan baik otot maupun syaraf yang terkena stroke, agar kembali normal. Yang menjadi permasalahan selama ini dalam penanganan terhadap penyakit stroke sebelum dilakukan rehabilitasi adalah tidak diketahui kondisi dari penyakit stroke tersebut, apakah ringan atau berat. Selain tidak diketahuinya kondisi penyakit stroke, masalah lain yang muncul adalah belum ditemukan parameter yang tepat sebagai instrumen untuk proses rehabilitasi. Dalam menangani dan mengetahui kondisi serta parameter yang tepat diperlukan pengelompokkan kondisi pasien stroke berdasarkan sinyal yang diambil melalui alat Elektroencofalograph (EEG) yang telah dilakukan pre processing, karena sifat sinyal yang non-linier, non-stable dan non-stasioner. Agar data yang diambil dapat terhidar dari segala macam gangguan maka dibutuhkan pengolahan data dengan menemukan parameter dan variable yang tepat, agar data yang telah diolah benar-benar bersih dari gangguan. Setelah pre processing, data dianalisis sehingga akan diketahui pasien tersebut masuk dalam kondisi apa dan dapat diketahui parameter yang tepat untuk proses rehabilitasi. Dalam penanganan permasalahan tersebut, menggunakan metode analisis cluster dengan menggunakan tiga tahapan yaitu data raw, pre processing dan analisis. Dengan tiga tahapan tersebut akan diketahui pengelompokan tingat keparahan stroke dengan menggunakan analisis cluster sebagai bahan rekomendasi pengambilan keputusan untuk rehabilitasi medis, sehingga pasien yang akan rehabilitasi media akan cepat dalam penyebuhan karena ditemukan parameter dan kondisi yang tepat.

Abstrak / Ringkasan Keamanan data digital, khususnya data visual seperti citra berwarna, menjadi semakin kritis di era transformasi digital yang sarat akan ancaman siber, manipulasi visual, dan penyalahgunaan data identitas. Citra digital yang tidak dienkripsi dengan baik sangat rentan terhadap serangan statistik, visual, hingga rekayasa sosial. Meskipun berbagai algoritma enkripsi telah dikembangkan, sebagian besar masih memiliki keterbatasan dalam hal kekuatan difusi, fleksibilitas, dan verifikasi integritas data. Hal ini menunjukkan perlunya pendekatan yang lebih adaptif dan terintegrasi, baik dari sisi algoritmik maupun dari sisi sistem keamanan jaringan. Penelitian ini bertujuan untuk mengembangkan sistem double layer enkripsi citra berwarna dengan menggabungkan transformasi Arnold Cat Map dan Henon Zigzag, yang kemudian diperkuat dengan integrasi teknologi blockchain untuk pencatatan hash hasil enkripsi. Arnold Cat Map digunakan sebagai lapisan pertama untuk scrambling posisi piksel, sedangkan Henon Zigzag digunakan sebagai lapisan kedua untuk difusi intensitas piksel dalam pola traversal acak berbasis chaos. Nilai hash dari citra terenkripsi dicatat ke blockchain guna menjamin integritas dan auditabilitas data secara desentralistik. Pengujian dilakukan menggunakan metrik performa seperti MSE, PSNR, UACI, dan NPCR untuk mengukur kekuatan enkripsi dan efektivitas pemulihan data. Luaran yang ditargetkan adalah artikel di jurnal internasional terindeks SCOPUS Q3 di Bulletin Electrical Engineering and Informatics (accepted), Interface (ada), laporan penelitian (ada), KI program komputer (granted).

Abstrak / Ringkasan Asisten virtual berbasis teks, seperti chatbot akademik di universitas, telah menjadi bagian penting dalam sektor pendidikan tinggi. Sistem ini dirancang untuk memberikan jawaban cepat atas pertanyaan administratif mahasiswa, seperti jadwal kuliah, informasi KRS, atau prosedur akademik lainnya. Namun, teknologi yang digunakan masih didominasi oleh model statis yang tidak mampu mengenali atau menyesuaikan diri dengan perubahan ekspresi emosional pengguna secara berkelanjutan. Dalam praktiknya, ekspresi informal seperti �gw mager bgt ngerjain TA�, �udah pusing sama revisi dospem�, atau �capek mental kuliah online terus� sering muncul dalam interaksi mahasiswa. Model statis gagal memahami nuansa emosional dari ekspresi tersebut karena hanya mengenali bentuk bahasa formal. Hal ini menghambat kemampuan sistem untuk memberikan respons empatik dan relevan. Ketidakmampuan ini juga membuka risiko catastrophic forgetting, yaitu hilangnya pengetahuan lama saat model diperbarui dengan data baru. Penelitian ini bertujuan untuk mengembangkan ICON-Net, model deteksi emosi berbasis teks yang adaptif dan berkelanjutan. Model ini dirancang untuk mampu belajar dari data baru tanpa mengorbankan pengetahuan sebelumnya, sehingga dapat meningkatkan kecerdasan emosional dalam interaksi asisten virtual akademik. Pendekatan yang digunakan dalam penelitian ini adalah Continual Learning (CL) untuk membangun sistem deteksi emosi adaptif berbasis teks. Pertama, Elastic Weight Consolidation (EWC) digunakan untuk mempertahankan bobot-bobot penting dari hasil pelatihan sebelumnya agar pengetahuan lama tidak hilang saat model mempelajari data baru. Kedua, Low-Rank Adaptation (LoRA) diterapkan sebagai teknik adaptasi parameter yang efisien, memungkinkan pembaruan model tanpa perlu melatih ulang keseluruhan parameter. Ketiga, Progressive Neural Networks (PNN) digunakan untuk mendukung pembelajaran modular, dimana unit baru dapat ditambahkan untuk mengenali emosi-emosi baru tanpa mengganggu struktur model lama. Luaran utama dari penelitian ini adalah publikasi pada jurnal internasional bereputasi terindeks Scopus, serta kontribusi nyata terhadap pengembangan sistem layanan digital yang adaptif dan empatik berbasis kecerdasan emosional.

Abstrak / Ringkasan Seiring meningkatnya distribusi dan pertukaran data visual secara daring, isu keamanan informasi digital menjadi semakin krusial. Citra digital rentan terhadap berbagai jenis serangan, seperti serangan diferensial, statistik, dan brute-force, yang dapat menyebabkan kebocoran data sensitif. Beberapa penelitian terdahulu telah mengusulkan penggunaan sistem chaos dalam proses enkripsi citra karena karakteristiknya yang sensitif terhadap kondisi awal dan parameter sistem. Namun, pendekatan yang ada masih menghadapi sejumlah keterbatasan, antara lain rendahnya kualitas dekripsi (nilai MSE dan PSNR), pendekatan single-layer yang kurang aman, serta mekanisme difusi dan permutasi yang bersifat statis dan tidak adaptif terhadap konten citra. Penelitian ini bertujuan untuk mengembangkan sistem enkripsi citra digital berbasis super-enkripsi dua lapis yang menggabungkan algoritma Improved Lorenz Chaos sebagai pembangkit keystream acak dan sensitif terhadap perubahan kecil pada nilai awal, serta Dynamic Rotation Pattern sebagai mekanisme rotasi spasial yang adaptif terhadap struktur lokal pada blok citra. Pendekatan ini dirancang untuk meningkatkan kekuatan kriptografi terhadap berbagai bentuk serangan tanpa mengorbankan efisiensi proses komputasi dan kualitas hasil dekripsi. Penelitian akan dilaksanakan melalui serangkaian tahapan mulai dari studi literatur, perancangan algoritma, pengujian, hingga evaluasi menggunakan metrik MSE, PSNR, NPCR, dan UACI. Diharapkan metode ini dapat menghasilkan sistem enkripsi citra digital yang lebih aman, efisien, dan berkualitas tinggi. Luaran yang ditargetkan adalah satu artikel ilmiah terindeks Scopus Q3 pada International Journal of Safety and Security Engineering (Status: Accepted) dan satu Hak Kekayaan Intelektual (HKI) berupa program komputer (Statur: accepted). Penelitian ini juga menjadi fondasi awal untuk pengembangan metode lanjutan di tahun berikutnya.

Abstrak / Ringkasan Citra Rontgen Toraks atau Chest X-ray (CXR) merupakan alat diagnostik terdepan, namun interpretasinya menghadapi tantangan besar dalam penerapan kecerdasan buatan (AI). Model AI untuk segmentasi multi-label, yang krusial untuk melokalisasi dan mengkuantifikasi berbagai penyakit secara bersamaan, seringkali mengalami degradasi performa drastis ketika dihadapkan pada data klinis dari rumah sakit atau alat yang berbeda. Fenomena domain shift ini, yang disebabkan oleh variasi intensitas, kontras, dan noise pada citra, menjadi penghalang utama implementasi klinis AI yang andal dan dapat digeneralisasi. Metode normalisasi standar seperti penskalaan min-max, standardisasi z-score, dan berbagai bentuk ekualisasi histogram sering digunakan untuk menempatkan citra pada rentang statistik yang seragam. Metode-metode ini seringkali tidak mampu dalam mengatasi heterogenitas data multi-domain yang kompleks dan memiliki keterbatasan dalam penyesuaian distribusi intensitas. Akibatnya, pendekatan sederhana ini dapat secara tidak sengaja menekan fitur diagnostik penting atau bahkan memperkuat noise. Teknik pra-pemrosesan yang beroperasi di domain frekuensi, seperti transformasi Fourier dan Wavelet, telah mapan efektivitasnya dalam tugas-tugas seperti denoising sinyal dan peningkatan fitur. Akan tetapi, integrasi sistematisnya ke dalam sebuah pipeline normalisasi yang komprehensif, yang dirancang secara khusus untuk menstandardisasi citra untuk menjawab tantangan segmentasi CXR multi-sumber, masih menjadi area yang sebagian besar belum dieksplorasi. Penelitian ini bertujuan untuk mengembangkan model pipeline Hybrid Frequency-Spatial Normalization Model dengan mengintegrasikan normalisasi domain frekuensi dan domain spasial. Tujuannya adalah untuk secara signifikan meningkatkan robustisitas dan kemampuan generalisasi model segmentasi CXR multi-label (YOLOv8-Seg) pada data multisumber yang heterogen. Luaran wajib dari penelitian ini berupa publikasi artikel yang diterbitkan pada jurnal internasional bereputasi yang terindeks Scopus Q3. Luaran tambahan yang dapat dihasilkan dari penelitian ini adalah haki untuk program deteksi organ hati dan area tumor pada citra CT.

Abstrak / Ringkasan Kanker payudara menjadi penyebab utama kematian wanita di seluruh dunia sehingga diagnosis dini sangat penting dilakukan. Saat ini, upaya diagnosis masih bergantung pada metode tradisional melalui analisis citra histopatologi secara manual oleh dokter. Proses ini bersifat subjektif, memerlukan waktu lama, dan bergantung pada keahlian individu. Selain itu, keterbatasan sampel data dan ketidakseimbangan distribusi kelas pada dataset menjadi tantangan utama dalam pengembangan sistem berbasis deep learning yang membutuhkan data dalam jumlah banyak dan seimbang. Tantangan lainnya yaitu kebutuhan model yang akurat dan efisien sehingga dapat dijalankan pada perangkat dengan sumber daya terbatas, khususnya untuk mendukung layanan kesehatan yang murah di daerah terpencil dengan infrastruktur terbatas. Tujuan. Penelitian ini bertujuan untuk mengembangkan metode baru BREAST-Net, yaitu sebuah arsitektur model deep learning berbasis Swin Transformer yang dimodifikasi dengan Bottleneck Residual Block dan mekanisme Ensemble Attention. Model ini dirancang untuk meningkatkan akurasi klasifikasi citra kanker payudara serta memiliki efisiensi komputasi yang tinggi sehingga dapat dijalankan pada perangkat dengan biaya rendah seperti Raspberry Pi. Model BREAST-Net dikembangkan dengan memanfaatkan keunggulan dari arsitektur Swin Transformer dalam menangkap informasi spasial lokal dan global melalui mekanisme window-based self-attention. Untuk meningkatkan efisiensi tanpa mengorbankan akurasi, arsitektur ini diperkuat dengan Bottleneck Residual Block guna mengurangi kompleksitas parameter. Selain itu, ditambahkan juga Ensemble Attention Mechanism yang menggabungkan atensi spasial dan channel untuk meningkatkan fokus model pada fitur-fitur penting pada citra kanker. Kombinasi ini memungkinkan BREAST-Net dapat memperoleh performa tinggi sekalipun dengan jumlah parameter yang terbatas. Penelitian ini akan menggunakan dataset publik, BreakHis, yang terdiri dari citra histopatologi kanker payudara dengan dua tipe dan delapan subtipe kanker. Hasil yang diharapkan dari penelitian ini yaitu model yang lebih akurat dan efisien dalam mengklasifikasikan citra kanker payudara pada dataset tidak seimbang. Luaran akan dipublikasikan ke Jurnal Internasional Bereputasi yang terindeks Scopus Q3 atau Q4.