http://hdl.handle.net/123456789/59 2026-06-02T11:03:14Z http://hdl.handle.net/123456789/63119 Improving Detection of Similarly Designed Retail Products With Size Variants P.S, Ganendra Raditya Retail environments require accurate and consistent shelf monitoring to support inventory management and planogram compliance. However, manual inspection remains inefficient and error-prone, particularly in modern grocery stores that contain thousands of Stock Keeping Units (SKUs). As a result, automated vision-based monitoring systems have been increasingly adopted to replace manual shelf inspection and improve scalability. Moreover, a persistent challenge in automated retail monitoring systems arises when product variants from the same brand share nearly identical packaging designs and differ only in weight or grammage. In such fine-grained scenarios, object detection models frequently confuse product variants, leading to unreliable inventory data and missed detections. This research addresses the problem of fine- grained retail product detection under real-world constraints, where data scarcity and class imbalance limit the effectiveness of deep learning models. To mitigate these challenges, an optimization-driven detection pipeline is proposed, integrating systematic hyperparameter tuning, dataset-level context-aware augmentation, and ensemble model post-processing. Two complementary object detection architectures, YOLOv12 and Faster R-CNN are employed to capture diverse feature representations. Model training is optimized using hierarchical hyperparameter tuning with the Optuna Tree-Structured Parzen Estimator (TPE), while data limitations are addressed through Context-Aware Copy-Paste augmentation. Furthermore, prediction outputs are fused using Weighted Boxes Fusion (WBF) to improve detection consistency. Experimental evaluation on real-world retail shelf images demonstrates that the proposed pipeline reduces error rates compared to baseline detection configurations. Analysis using confusion matrices shows a reduction in misclassification among product variants. These findings indicate that combining architecture diversity, systematic optimization, data-centric augmentation, and ensemble model provides a solution for fine-grained retail product detection in data-limited retail environments. 2026-01-01T00:00:00Z http://hdl.handle.net/123456789/63066 Penerapan Steganografi Video menggunakan Algoritma Least Significant Bit (LSB) dan Advanced Encryption Standard (AES) untuk Keamanan Data Hafiz, Muhammad Penelitian ini mengintegrasikan teknik steganografi Least Significant Bit (LSB) dan kriptografi Advanced Encryption Standard (AES) untuk meningkatkan keamanan pertukaran informasi pada media video digital. Menggunakan bahasa pemrograman Python, sistem ini dirancang untuk menyembunyikan pesan teks yang telah terenkripsi ke dalam frame video secara imperseptibel. Pendekatan eksperimen terapan digunakan untuk mengevaluasi efektivitas sistem dalam menjaga kerahasiaan data tanpa menyebabkan degradasi visual yang signifikan pada media penampung (cover). Hasil pengujian menunjukkan bahwa integrasi AES dan LSB berhasil diimplementasikan dengan tingkat akurasi ekstraksi pesan yang sempurna. Berdasarkan parameter Peak Signal-to- Noise Ratio (PSNR), video steganografi yang dihasilkan memiliki nilai rata-rata berkisar antara 61,67 dB hingga 106,60 dB, yang secara signifikan melampaui ambang batas standar kelayakan 40 dB. Hal ini mengindikasikan bahwa sistem mampu mempertahankan kualitas visual yang tinggi sehingga perubahan pada video tidak dapat dideteksi oleh indra penglihatan manusia. Selain itu, penggunaan enkripsi AES terbukti memberikan lapisan keamanan yang kuat, di mana pesan rahasia tetap terlindungi dan hanya dapat dipulihkan melalui kunci dekripsi yang tepat. 2026-01-01T00:00:00Z http://hdl.handle.net/123456789/63052 Deteksi dan Klasifikasi Serangan Jaringan Smart City Menggunakan Federated Learning Ikhsan, Rian Nur Perkembangan teknologi digital mendorong implementasi konsep smart city yang mengandalkan jaringan IoT untuk meningkatkan efisiensi layanan publik. Namun, kompleksitas jaringan ini meningkatkan risiko serangan siber yang dapat mengganggu layanan kritis. Penelitian ini mengkaji penerapan Federated Learning (FL) sebagai pendekatan terdistribusi untuk membangun Network Intrusion Detection System (NIDS) tanpa memusatkan data mentah, sehingga privasi tetap terjaga. Dataset yang digunakan adalah ToN- IoT, dengan simulasi distribusi data IID (Independent and Identically Distributed) dan Non- IID menggunakan Dirichlet untuk merepresentasikan heterogenitas antar client. Dua algoritma FL, yaitu Federated Averaging (FedAvg) dan Federated Proximal (FedProx), dibandingkan pada dua arsitektur deep learning: Multi-Layer Perceptron (MLP) dan Convolutional Neural Network 1D (CNN-1D), untuk skenario klasifikasi biner dan multi-kelas. Hasil eksperimen menunjukkan bahwa FedProx lebih stabil pada kondisi Non-IID dibanding FedAvg, meskipun dengan biaya komputasi lebih tinggi. CNN-1D memberikan performa lebih baik daripada MLP, terutama pada skenario multi-kelas, dengan peningkatan akurasi dan F1-Score yang signifikan. Penelitian ini merekomendasikan penggunaan FedProx dengan CNN-1D untuk lingkungan smart city yang heterogen, karena mampu menjaga stabilitas pelatihan dan akurasi deteksi serangan. 2026-01-01T00:00:00Z http://hdl.handle.net/123456789/63025 Eksplorasi Blockchain, Smart Contract, dan IPFS Untuk pengembangan Sistem Kependudukan Terdesentralisasi Jakaria, Satria Avecinna Azzra Penelitian ini mengeksplorasi potensi pemanfaatan teknologi blockchain beserta ekosistem pendukungnya, yaitu smart contract dan InterPlanetary File System (IPFS), dalam konteks pengelolaan data kependudukan dengan studi kasus layanan administrasi kependudukan di tingkat kalurahan. Eksplorasi ini dilatarbelakangi oleh karakteristik sistem kependudukan konvensional yang masih bersifat terpusat, bergantung pada proses verifikasi manual, serta memiliki keterbatasan dalam aspek transparansi, keterlacakan, dan pengelolaan data digital yang aman. Metodologi penelitian menggunakan pendekatan rekayasa perangkat lunak dengan model pengembangan Waterfall yang meliputi tahap analisis kebutuhan, perancangan arsitektur, implementasi purwarupa, dan pengujian. Sistem dikembangkan dalam bentuk aplikasi terdesentralisasi (decentralized application/dApp) untuk mengkaji bagaimana smart contract dapat digunakan sebagai mekanisme pencatatan transaksi, pengendalian akses berbasis peran, serta pengelolaan alur verifikasi berlapis. Penyimpanan dokumen kependudukan dilakukan secara off-chain menggunakan IPFS, dengan Content Identifier (CID) dicatat pada blockchain guna mengevaluasi integritas dan keterhubungan data antara lapisan on-chain dan off-chain. Hasil pengujian menunjukkan bahwa mekanisme pengajuan permohonan, verifikasi bertingkat oleh kalurahan dan Dukcapil, serta penyimpanan dan pengambilan dokumen terenkripsi melalui IPFS dapat dijalankan secara konsisten sesuai dengan rancangan. Selain itu, pencatatan event on-chain memungkinkan terbentuknya jejak audit digital yang transparan dan tidak dapat dimodifikasi. Temuan ini memberikan gambaran empiris mengenai karakteristik teknis, performa, serta implikasi penerapan arsitektur terdesentralisasi dalam konteks layanan publik. Penelitian ini diharapkan dapat menjadi referensi awal dalam kajian pengembangan sistem administrasi kependudukan berbasis teknologi terdesentralisasi di Indonesia. 2026-01-01T00:00:00Z