Berikut beberapa paper yang telah terpublikasi di awal tahun 2024 ini:
Judul Paper: Area Target Calibration in Weapon Scoring System Using Computer Vision to Support Unmanned Combat Aerial Vehicle
Penulis: Ardian Infrantono, Ridi Ferdiana, Rudy Hartanto
Abstrak:
Pengembangan riset Kendaraan Udara Tempur Tak Berawak (UCAV) atau Drone Tempur sayap tetap memerlukan sistem penilaian senjata yang akurat untuk penilaian latihan menembak guna menentukan jenis dan kemampuan senjata roket yang akan digunakan. Metode penilaian tembakan roket berbasis kamera saat ini hanya untuk menentukan posisi titik dampak roket pada target, mengakibatkan pola latihan tempur terbatas pada satu arah tembakan. Orientasi praktik menembak roket dengan hanya satu arah akan mengakibatkan ketergantungan pilot UCAV dalam melaksanakan serangan, akan sulit untuk melaksanakan pola tembakan dari berbagai arah. Salah satu alasannya adalah metode kalibrasi kamera untuk area target tembakan yang digunakan belum diorientasikan untuk tembakan multi-arah. Studi ini bertujuan untuk menghasilkan metode sistem penilaian senjata untuk keperluan UCAV yang difokuskan pada kalibrasi kamera dengan visi komputer untuk area tembakan di mana sumber serangan multi-arah. Studi ini mengusulkan metode kalibrasi elips searah jarum jam menggunakan visi komputer untuk memantau dan mengevaluasi latihan menembak dari udara ke darat menggunakan senjata berkecepatan tinggi. Metode ini menghasilkan lima langkah utama, yaitu Input Video, Penentuan 5 Titik Utama, Pemilihan Area Target dalam Gambar, Transformasi Bentuk Objek, dan Perhitungan. Hasilnya berhasil menginformasikan posisi titik ledakan roket dan jaraknya dari titik tengah serta sudut roket, keakuratan bentuk lintasan roket ke titik dampak sesuai koordinat geo, bersumber dari variasi arah tembakan.
Judul Paper: Performance of Traditional and Dense Vector Information Retrieval Models in Code Search
Penulis: Budi Susanto, Ridi Ferdiana, Teguh Bharata Adji
Abstrak:
Penerapan information retrieval tradisional, yang didasarkan secara eksplisit pada model ruang vektor dan model probabilitas, telah menjadi dasar pengembangan pencarian kode. Di sisi lain, model berbasis informasi dan bahasa juga perlu dieksplorasi dalam information retrieval untuk sistem pencarian kode. Pada saat yang sama, investigasi lebih lanjut terhadap penggunaan pencarian kode berbasis vektor padat tetap diperlukan. Penelitian ini bertujuan untuk menilai kelayakan membangun aplikasi yang menggunakan teknik information retrieval untuk pencarian kode. Eksperimen ini menggunakan dataset dari CodeSearchNet Challenge sebagai dasar pengembangan pencarian kode ini. Penelitian ini berfokus pada potongan kode Java dari dataset tersebut. Pada tahap pra-pemrosesan, eksperimen ini secara unik mengekstraksi semua identifier potongan kode. Identifier ekstraksi ini akan menjadi token yang membentuk dokumen dalam pencarian kode. Penerapan model information retrieval tradisional mengeksplorasi metode TFIDF, BM25, Divergence from Randomness, Divergence from Independence, model berbasis informasi, dan model bahasa. Berdasarkan evaluasi kinerja, pendekatan dengan model probabilistik dan berbasis informasi memberikan kinerja yang sedikit lebih baik daripada model ruang vektor. Namun, tingkat kinerja berbasis MRR dari semua model IR tradisional sekitar 0,67. Sementara itu, penggunaan vektor padat dalam information retrieval menggunakan model SentenceBERT, yang memanfaatkan model pra-pelatihan all-MiniLM-L6-v2. Evaluasi kinerja untuk information retrieval dengan vector padat menggunakan peringkat K-NN dengan K={5,10,15,20,25,50}. Mengambil 10 tetangga terdekat untuk jarak vektor antara kueri dan kode sumber memberikan kinerja terbaik. Secara keseluruhan, hasil kinerja vektor padat memberikan kinerja yang lebih baik sekitar 8% dibandingkan dengan information retrieval tradisional.
Link Paper: IEEE Xplore Full-Text PDF
Judul Paper: IoT-DH Dataset for Classification, Identification, and Detection DDoS attack in IoT
Penulis: Syaifuddin Saif, Ridi Ferdiana
Abstrak:
Proliferasi perangkat Internet of Things telah membuka era baru konektivitas dan kemudahan, namun juga telah mengungkap berbagai tantangan keamanan, dengan serangan Distributed Denial of Service menjadi ancaman yang signifikan. Makalah ini memperkenalkan dataset IoT-DH, sebuah dataset baru dan luas yang dirancang untuk tujuan mengklasifikasikan, mengidentifikasi, dan mendeteksi serangan DDoS dalam ekosistem IoT. Dataset ini mencakup berbagai skenario dan konfigurasi jaringan, memberikan representasi realistis dari lingkungan IoT. Kami menyajikan analisis sistematis dari dataset IoT-DH, mengeksplorasi fitur dan karakteristiknya yang mencerminkan kompleksitas jaringan IoT dunia nyata. Dataset ini mencakup berbagai skenario serangan, menggabungkan vektor serangan dan intensitas yang berbeda untuk menangkap sifat evolusi ancaman DDoS di IoT. Pendekatan kami memfasilitasi pengembangan dan evaluasi model pembelajaran mesin dan pembelajaran mendalam yang kuat untuk mitigasi serangan DDoS yang efektif. Selanjutnya, kami mengusulkan metodologi multifaset untuk memanfaatkan dataset IoT-DH, mencakup teknik klasifikasi untuk mengkategorikan jenis serangan, mekanisme identifikasi untuk menentukan entitas jahat, dan algoritma deteksi untuk segera menanggapi insiden DDoS yang sedang berlangsung. Efikasi dari metodologi ini ditunjukkan melalui eksperimen dan evaluasi yang luas, menunjukkan kemampuan mereka untuk meningkatkan postur keamanan lingkungan IoT.
Link Paper: IoT-DH dataset for classification, identification, and detection DDoS attack in IoT – ScienceDirect
