Garuda - Garba Rujukan Digital

IMPLEMENTASI SEGMENTASI WARNA HSV UNTUK IDENTIFIKASI KARAT PADA MATERIAL LOGAM Muhammad Bagus Bintang Timur; Royansyah Royansyah; Dewi Kusumaningsih
Dinamik Vol 31 No 2 (2026)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v31i2.10403

Corrosion on metal surfaces poses significant risks to structural durability and operational safety in industrial environments. Manual detection is often time-consuming and prone to errors, especially under inconsistent lighting. This research addresses the challenge by implementing a color-based segmentation technique using the HSV (Hue, Saturation, Value) color space. The input images undergo preprocessing and conversion from RGB to HSV to enhance color differentiation. A defined range of HSV values, corresponding to typical rust tones, is used to generate binary masks that highlight corroded regions. The algorithm is built using the OpenCV library to support real-time analysis. A series of test images with varying illumination and corrosion patterns were analyzed to assess the method’s effectiveness. The results confirm that the HSV-based segmentation accurately separates rusted areas from unaffected surfaces, maintaining reliable performance under diverse conditions. The proposed approach offers a lightweight and efficient tool for early rust detection, supporting preventive maintenance strategies in industrial inspection workflows.

A Context-Aware Ensemble Learning Framework for Regression on Heterogeneous Tabular Data Purwadi Purwadi; Muhammad Bagus Bintang Timur; Arief Wibowo
Dinamik Vol 31 No 2 (2026)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v31i2.10544

Regression on heterogeneous tabular data remains a challenging problem in machine learning due to mixed numerical and categorical features, non-linear relationships, and context-dependent feature relevance. In many real-world datasets, feature contributions vary across spatial, temporal, and categorical contexts, reducing the effectiveness of conventional regression and ensemble methods that treat all features uniformly. This paper proposes a context-aware ensemble learning framework for regression on heterogeneous tabular data, where contextual information is explicitly modeled through structured feature grouping. Contextual attributes are organized into predefined context groups and integrated into the learning pipeline to capture context-dependent feature interactions. The framework evaluates multiple ensemble models, including Random Forest, XGBoost, and LightGBM, under consistent preprocessing and evaluation settings. Model performance is assessed using Mean Absolute Error (MAE) and Root Mean Square Error (RMSE) with k-fold cross-validation, while interpretability is enhanced through Explainable Artificial Intelligence (XAI) techniques using feature importance analysis and SHAP values. Experimental results demonstrate that explicit context modeling consistently improves regression performance across all evaluated ensemble methods compared to baseline approaches. The proposed framework contributes a systematic and generalizable approach to context-aware regression and ensemble interpretability, supported by experimental results showing consistent reductions in MAE and RMSE.

Penerjemahan Diagnosis Medis Inggris – Indonesia menggunakan Transfer-Based Rule-Based Machine Translation Purwadi Purwadi; Muhammad Bagus Bintang Timur; Indra Indra
Dinamik Vol 31 No 2 (2026)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v31i2.10546

Akurasi terjemahan diagnosis medis sangat penting untuk keselamatan pasien karena kesalahan interpretasi terminologi klinis dapat berdampak langsung pada pengambilan keputusan medis. Penelitian ini bertujuan mengembangkan sistem penerjemahan diagnosis medis dari bahasa Inggris ke bahasa Indonesia menggunakan metode Transfer-Based Rule-Based Machine Translation (RBMT) yang dirancang untuk domain medis terbatas. Pendekatan yang digunakan berbasis rekayasa bahasa alami dengan penerapan aturan linguistik pada proses analisis, transfer struktur, dan pemetaan leksikal istilah medis. Pengujian dilakukan menggunakan 500 data diagnosis medis berstandar ICD-10 dengan evaluasi kuantitatif dan validasi pakar medis. Hasil penelitian menunjukkan bahwa sistem mampu menghasilkan terjemahan yang konsisten secara struktural dan mempertahankan makna klinis, sehingga pendekatan RBMT dinilai layak dan aman untuk penerjemahan diagnosis medis pada domain sempit. Pendekatan ini juga menunjukkan potensi untuk dikembangkan sebagai dasar sistem pendukung penerjemahan medis berbasis aturan pada domain klinis lainnya.

Pemodelan Penyebaran Misinformasi pada Komunitas Teknologi Daring berbasis NLP dan Analisis Jaringan Purwadi Purwadi; Muhammad Bagus Bintang Timur; Indra Indra
Dinamik Vol 31 No 2 (2026)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v31i2.10547

Komunitas teknologi daring seperti Reddit dan Stack Overflow berperan penting dalam pertukaran pengetahuan teknis, namun juga rentan terhadap penyebaran misinformasi. Penelitian ini bertujuan untuk memodelkan dan menganalisis penyebaran misinformasi dalam komunitas teknologi daring menggunakan pendekatan netnografi komputasional yang mengombinasikan Natural Language Processing (NLP) dan analisis jaringan. Data penelitian dikumpulkan dari 6.875 diskusi pengguna pada berbagai forum teknologi dan dianalisis untuk mendeteksi konten misinformasi, mengidentifikasi aktor yang berpengaruh, serta memetakan pola penyebaran informasi dalam jaringan komunitas. Hasil penelitian menunjukkan bahwa sekitar 38% diskusi mengandung informasi teknis yang usang atau menyesatkan, yang umumnya bersumber dari interpretasi keliru atau ketidaksesuaian konteks teknis, bukan dari niat penyebaran informasi palsu secara sengaja. Model NLP yang digunakan mencapai nilai F1-score sebesar 0,84 dalam klasifikasi misinformasi. Analisis jaringan menunjukkan bahwa pengguna dengan tingkat reputasi dan keterhubungan tinggi memiliki peran penting dalam mempercepat penyebaran informasi sekaligus dalam proses koreksi misinformasi. Selain itu, diskusi dengan muatan emosional yang tinggi cenderung mempercepat difusi misinformasi, sementara koreksi lebih sering terjadi dalam kelompok pengguna ahli dengan struktur jaringan yang relatif tertutup. Penelitian ini berkontribusi pada pengembangan kajian netnografi digital berbasis komputasi serta menawarkan implikasi praktis bagi perancangan sistem deteksi misinformasi dan strategi moderasi komunitas pada platform teknologi daring.

Pendekatan Otomatis dalam Pembentukan Signature Metadata Malware untuk Deteksi Ancaman Siber Purwadi Purwadi; Muhammad Bagus Bintang Timur; Indra Indra
Dinamik Vol 31 No 2 (2026)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v31i2.10548

Dalam era digital yang semakin terhubung, ancaman siber terus berkembang seiring meningkatnya jumlah dan kompleksitas varian malware, termasuk malware dengan karakteristik polymorphic dan metamorphic yang mampu menghindari sistem deteksi konvensional. Pendekatan deteksi malware berbasis tanda tangan masih banyak digunakan karena efisiensinya, namun sangat bergantung pada pembaruan tanda tangan yang umumnya dilakukan secara manual dan memerlukan waktu serta keahlian tinggi. Penelitian ini mengusulkan pendekatan otomatis dalam pembentukan signature metadata malware berbasis analisis statis dan pembelajaran mesin. Dataset yang digunakan terdiri dari 5.000 file Portable Executable (PE) yang seimbang antara malware dan benign. Ekstraksi metadata dilakukan terhadap struktur PE, entropi, dan informasi API, yang selanjutnya diklasifikasikan menggunakan algoritma Random Forest dan Gradient Boosting. Hasil eksperimen menunjukkan bahwa model Random Forest mencapai akurasi sebesar 96,2% dengan F1-score 0,96, sedangkan Gradient Boosting mencapai akurasi 95,4%. Selain itu, sistem mampu menghasilkan signature metadata secara otomatis dengan waktu pemrosesan kurang dari 2 detik per sampel, serta menunjukkan konsistensi tinggi dalam mendeteksi malware dari keluarga yang sama menggunakan aturan YARA. Hasil ini menunjukkan bahwa pendekatan yang diusulkan mampu meningkatkan efisiensi dan adaptivitas sistem deteksi malware, serta berpotensi mendukung respons cepat terhadap evolusi ancaman siber modern.

Title

Found 5 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 5 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 5 Documents
Search