Hasil Pencarian: "Convolutional Neural Network (CNN)" (Semua Bidang (Umum))
Penelusuran metadata karya ilmiah dan dokumen institusi Universitas Bina Insani.
Filter Otomatis
ResetHasil Pencarian: "Convolutional Neural Network (CNN)" (Semua Bidang (Umum))
Menampilkan 2 karya ilmiah repository terverifikasi (Skripsi & Artikel Jurnal OJS)
| Detail Karya Ilmiah & Metadata | Tipe & Program Studi | Aksi Metadata |
|---|---|---|
KLASIFIKASI EMOSI MANUSIA BERDASARKAN EKSPRESI WAJAH PADA VIDEO MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) DAN TRANSFER LEARNING
Penulis: Jengkar Ayogya Widji Lestari, JAFAR SHADIQ, S.Kom., M.Kom. |
2026
Pengenalan emosi berdasarkan ekspresi wajah merupakan salah satu penerapan Artificial Intelligence (AI) dan Computer Vision. Penelitian ini bertujuan mengembangkan prototype sistem pengenalan emosi secara real-time menggunakan metode Convolutional Neural Network (CNN) dengan pendekatan Transfer Learning. Sistem dirancang untuk mendeteksi wajah dan mengklasifikasikan tiga kategori emosi, yaitu serius, ngobrol, dan ngantuk, melalui video dari webcam. Proses penelitian meliputi deteksi wajah menggunakan YOLO, prapemrosesan citra, ekstraksi fitur dengan CNN, dan klasifikasi emosi. Hasil deteksi ditampilkan pada antarmuka dalam bentuk bounding box, label emosi, dan nilai confidence. Pengujian menunjukkan bahwa prototype mampu melakukan deteksi wajah dan klasifikasi emosi secara otomatis dengan performa real-time, sehingga berpotensi mendukung penerapan sistem pengenalan emosi pada bidang pendidikan, kesehatan, dan interaksi manusia dengan komputer.
#Artificial Intelligence (AI)
#Computer Vision
#Convolutional Neural Network (CNN)
#Ekspresi Wajah
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
Pengembangan Intrusion Detection System (IDS) Berbasis Deep Learning CNN-LSTM Untuk Klasifikasi Serangan DDoS
Penulis: Achmad Sholehudin, JAFAR SHADIQ, S.Kom., M.Kom. |
2026
Server Open Journal Systems (OJS) Universitas Bina Insani merupakan infrastruktur kritis yang rentan terhadap serangan Distributed Denial of Service (DDoS). Proses pemantauan yang selama ini dilakukan secara manual menggunakan Wireshark terbukti bersifat lambat dan reaktif, serta tidak mampu menganalisis lalu lintas pada protokol terenkripsi (HTTPS) karena bergantung pada inspeksi isi paket (payload). Penelitian ini bertujuan mengembangkan Intrusion Detection System (IDS) berbasis Deep Learning yang mampu mengklasifikasikan serangan DDoS secara otomatis dan real-time tanpa bergantung pada proses dekripsi muatan paket. Sistem dibangun menggunakan arsitektur Hybrid Deep Learning yang menggabungkan lapisan Convolutional Neural Network (CNN) untuk ekstraksi fitur spasial dan Long Short-Term Memory (LSTM) untuk analisis ketergantungan temporal antar-paket jaringan. Pengembangan sistem mengadopsi kerangka kerja Knowledge Discovery in Databases (KDD) dengan memanfaatkan kombinasi dataset standar global CICDDoS2019 dan data simulasi lalu lintas jaringan dari virtual testbed lokal. Evaluasi kuantitatif model menggunakan Confusion Matrix terhadap 141.054 sampel aliran data menghasilkan akurasi global sebesar 87% dengan presisi kelas Normal mencapai 0,99. Pengujian fungsional secara real-time pada seluruh skenario (TCP SYN Flood, HTTP Flood, dan HTTPS) menunjukkan tingkat keyakinan prediksi sebesar 100%. Pengujian latensi inferensi pada server OJS membuktikan sistem beroperasi dengan rata-rata waktu respons 57,91 milidetik dan nilai Persentil ke-99 sebesar 114,22 milidetik, jauh di bawah ambang batas kritis 500 milidetik. Hasil penelitian membuktikan bahwa IDS berbasis CNN-LSTM yang menganalisis Network Flow mampu mengklasifikasikan serangan DDoS pada protokol terenkripsi secara akurat melalui sidik jari temporal Inter-Arrival Time (IAT), tanpa memerlukan dekripsi paket, serta layak dioperasikan pada lingkungan server produksi secara real-time.
#CNN-LSTM
#DDoS
#Deep Learning
#Intrusion Detection System
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|