Pengumuman
PENTING, Siapkan sebelumnya:
1. Format penamaan folder dan file .pdf adalah : NIM_Nama_Lengkap
2. Laporan Skripsi dalam bentuk kompilasi satu file utuh termasuk lembar pengesahan yang telah ditandatangani dan telah diberi watermark dalam bentuk file .pdf (panduan watermark dapat dilihat di : https://tinyurl.com/y46j793x ) di public
3. Folder .zip/.rar (ukuran max. 100 MB) yang berisi : diprivate
a. Laporan Skripsi dalam bentuk kompilasi satu file utuh termasuk lembar pengesahan yang telah ditandatangani dan telah diberi watermark dalam bentuk file dan .doc/.docx
b. Jurnal Skripsi, maksimal 8 halaman sesuai template contoh yang telah ditentukan.
c. Aplikasi yang dibuat berikut software pendukungnya jika ada
d. Readme aplikasi, Penjelasan bagaimana instalasi dan pemakaian aplikasi yang dibuat (bentuk file format .pdf dan .doc/.docx)
e. Poster Skripsi(bentuk file .jpg).
Koleksi Pustaka
Riwayat Unggah Dokumen
1.
| Judul | IMPLEMENTASI MODEL PENGENALAN BAHASA ISYARAT LANJUTAN MENGGUNAKAN MEDIAPIPE DAN CTC-ATTENTION |
| Deskripsi | Pengenalan bahasa isyarat secara lanjutan atau Continuous Sign Language Recognition (CSLR) merupakan tantangan dalam bidang teknologi asistif yang bertujuan menerjemahkan gerakan isyarat secara real-time ke dalam teks natural. Penelitian ini bertujuan mengembangkan model CSLR dengan pendekatan hybrid Connectionist Temporal Classification (CTC) dan Attention Mechanism yang memanfaatkan ekstraksi fitur keypoints dari video menggunakan MediaPipe Holistic. Dataset yang digunakan terdiri dari kalimat dalam bahasa isyarat Sistem Isyarat Bahasa Indonesia (SIBI) yang mencakup kategori dasar anggota keluarga, benda sekitar, dan binatang. Model dikembangkan menggunakan dua arsitektur utama pada tahap encoder, yaitu Pyramid BiLSTM dan Pyramid BiGRU, yang kemudian dibandingkan performanya berdasarkan metrik Word Error Rate (WER), CTC Loss, serta Attention Loss. Model dilatih menggunakan data dengan dan tanpa augmentasi untuk mengevaluasi dampak teknik augmentasi terhadap performa model. Hasil evaluasi menunjukkan bahwa model berbasis BiGRU dengan augmentasi dataset mencapai performa terbaik dengan WER sebesar 26,20%, yang secara signifikan lebih baik dibandingkan BiLSTM yang mencatatkan WER sebesar 38,13%. Model kemudian diimplementasikan dalam sistem berbasis web yang mendukung proses inferensi baik secara batch maupun real-time melalui integrasi REST API dan WebSocket dengan back-end Flask pada layanan Amazon Web Services (AWS). |
| Kategori | Skripsi - TI |
| Diunggah oleh | Muhammad Riziq Ramadhan Al Arafah |
| Diunggah pada | Fri, 25 Jul 2025 |
2.
| Judul | Analisis Mitigasi Serangan Ddos Menggunakan Entropy dan Puzzle Berbasis Proof Of Work Pada Server Ubuntu |
| Deskripsi | Server yang terhubung ke jaringan publik rentan terhadap berbagai jenis serangan siber, salah satunya adalah serangan Distributed Denial of Service (DDoS) yang bertujuan melumpuhkan layanan dengan membanjiri server menggunakan permintaan palsu secara terus-menerus. Penelitian ini mengusulkan metode mitigasi serangan DDoS menggunakan pendekatan dua tahap, yaitu deteksi berbasis entropy dan verifikasi berbasis puzzle Proof of Work (PoW). Deteksi dilakukan dengan menghitung nilai entropy dari distribusi alamat IP yang mengakses endpoint login server Ubuntu secara real time. Jika nilai entropy turun di bawah ambang batas tertentu atau pola trafik menunjukkan anomali, sistem akan mengaktifkan mitigasi. Selanjutnya, hanya klien yang dapat menyelesaikan tantangan puzzle kriptografi (berbasis SHA-256) yang diizinkan melanjutkan proses login. Mekanisme ini mencegah penyerang mengakses sistem tanpa autentikasi dan meminimalkan false positive pada pengguna sah. Pengujian dilakukan dalam lingkungan lokal dengan berbagai skenario jumlah attacker dan volume serangan menggunakan tools HTTP Flood. Hasil evaluasi menunjukkan bahwa kombinasi metode entropy dan puzzle PoW mampu mengklasifikasikan trafik dengan akurasi mencapai 100%, serta menjaga performa server tetap stabil saat terjadi serangan. |
| Kategori | Skripsi - TMJ |
| Diunggah oleh | Berlianna Upik Nurniati |
| Diunggah pada | Fri, 25 Jul 2025 |
3.
| Judul | Analisis Mitigasi Serangan Ddos Menggunakan Entropy dan Puzzle Berbasis Proof Of Work Pada Server Ubuntu |
| Deskripsi | Server yang terhubung ke jaringan publik rentan terhadap berbagai jenis serangan siber, salah satunya adalah serangan Distributed Denial of Service (DDoS) yang bertujuan melumpuhkan layanan dengan membanjiri server menggunakan permintaan palsu secara terus-menerus. Penelitian ini mengusulkan metode mitigasi serangan DDoS menggunakan pendekatan dua tahap, yaitu deteksi berbasis entropy dan verifikasi berbasis puzzle Proof of Work (PoW). Deteksi dilakukan dengan menghitung nilai entropy dari distribusi alamat IP yang mengakses endpoint login server Ubuntu secara real time. Jika nilai entropy turun di bawah ambang batas tertentu atau pola trafik menunjukkan anomali, sistem akan mengaktifkan mitigasi. Selanjutnya, hanya klien yang dapat menyelesaikan tantangan puzzle kriptografi (berbasis SHA-256) yang diizinkan melanjutkan proses login. Mekanisme ini mencegah penyerang mengakses sistem tanpa autentikasi dan meminimalkan false positive pada pengguna sah. Pengujian dilakukan dalam lingkungan lokal dengan berbagai skenario jumlah attacker dan volume serangan menggunakan tools HTTP Flood. Hasil evaluasi menunjukkan bahwa kombinasi metode entropy dan puzzle PoW mampu mengklasifikasikan trafik dengan akurasi mencapai 100%, serta menjaga performa server tetap stabil saat terjadi serangan. |
| Kategori | Skripsi - TMJ |
| Diunggah oleh | Berlianna Upik Nurniati |
| Diunggah pada | Fri, 25 Jul 2025 |
4.
| Judul | Analisis Ransomware Menggunakan Metode Analisis Statis, Dinamis, dan Reverse Engineering |
| Deskripsi | Ransomware merupakan salah satu jenis ancaman siber yang berkembang pesat dan semakin kompleks dari waktu ke waktu. Penelitian ini dilatarbelakangi oleh maraknya munculnya varian ransomware baru dan terbatasnya referensi yang membahas varian tersebut secara teknis mendalam. Selain itu, tidak semua penelitian terdahulu menggunakan kombinasi tiga pendekatan analisis sekaligus, yaitu analisis statis, dinamis, dan reverse engineering, untuk memahami struktur dan perilaku ransomware secara menyeluruh. Penelitian ini dilakukan dengan menganalisis tujuh sampel ransomware utama, yaitu LockBit, Akira, BlackCat, WhisperGate, HellCat, Morpheus dan Prince. Analisis statis menggunakan PEStudio dan teknik ekstraksi string untuk melihat struktur internal file, seperti entropi, struktur PE, dan daftar fungsi API. Analisis dinamis dilakukan menggunakan platform Any.Run untuk mengamati perilaku ransomware saat dijalankan, termasuk aktivitas proses, perubahan file dan registry, serta koneksi jaringan. Reverse engineering dilakukan menggunakan Ghidra untuk membedah fungsi internal, mendeteksi teknik obfuscation, proses dan jenis algoritma enkripsi, dan pemanggilan API secara dinamis. Hasil penelitian menunjukkan bahwa masing-masing ransomware memiliki karakteristik dan teknik yang berbeda. LockBit dan BlackCat menunjukkan struktur kompleks dan teknik evasi tingkat lanjut, sedangkan HellCat memperlihatkan perilaku hybrid sebagai stealer dan ransomware. Morpheus Stealer digunakan sebagai pembanding untuk memperjelas fitur pencurian data pada HellCat, dan sampel Prince dianalisis dengan hasil menunjukkan teknik enkripsi dan evasi tingkat lanjut. Pendekatan gabungan dari ketiga metode analisis terbukti mampu memberikan gambaran yang lebih menyeluruh terhadap teknik, struktur, dan perilaku ransomware modern. |
| Kategori | Skripsi - TMJ |
| Diunggah oleh | Layla Rosyidah |
| Diunggah pada | Fri, 25 Jul 2025 |
5.
| Judul | PENGENALAN ATRIBUT MANUSIA BESERTA WARNA SECARA REAL-TIME DENGAN PENDEKATAN MULTI-STAGE APPROACH MENGGUNAKAN ARSITEKTUR YOU ONLY LOOK ONCE DAN MULTILAYER PERCEPTRON |
| Deskripsi | Dalam upaya memanfaatkan kemajuan computer vision dan deep learning untuk industri Fashion, penelitian ini berhasil mengembangkan sistem multi-tahap yang secara real-time mengidentifikasi atribut dan warna pakaian serta aksesori (headwear, eyewear, upperwear, bottomwear, footwear, dan bag). Sistem ini memadukan YOLOv8 untuk deteksi objek (mAP@0.5: 0.797, akurasi tinggi pada upperwear, bottomwear, dan eyewear), MobileNetV2 dalam CNN untuk klasifikasi sub-kategori atribut (akurasi rata-rata >91%), dan MLP untuk klasifikasi warna berbasis RGB (akurasi 87%, dengan beberapa tantangan pada warna ambigu). Hasil pengujian Black Box menunjukkan fungsionalitas sistem 100% dan stabil, sementara User Acceptance Test (UAT) mengonfirmasi penerimaan pengguna yang sangat positif (efektivitas 88.0%, efisiensi 98.3%, kepuasan 100%), menegaskan akurasi, fungsionalitas, kemudahan, dan intuitifnya sistem ini. |
| Kategori | Skripsi - TI |
| Diunggah oleh | Dava Alif Rahman David |
| Diunggah pada | Fri, 25 Jul 2025 |
Dokumen Statistik
Total Dokumen Terupload
5 dokumen
Upload Dokumen Perbulan 2025
Januari
64
Februari
69
Maret
16
April
2
Mei
Tidak ada dokumen
Juni
Tidak ada dokumen
Juli
222
Agustus
296
September
134
Oktober
52
November
12
Desember
143