Insan Taufik Ruang Akademik Personal

BIDANG RISET UTAMA

Payung Riset & Minat Ilmiah

01

Computer Vision atau Image Processing

Area penelitian ini berfokus pada pengembangan metode komputasi untuk mengolah, menganalisis, dan mengekstraksi informasi bermakna dari citra digital maupun video secara otomatis. Cakupannya meliputi peningkatan kualitas citra, segmentasi, ekstraksi fitur, hingga pengenalan pola dan deteksi objek berbasis machine learning maupun deep learning guna menyelesaikan berbagai permasalahan praktis seperti otomasi industri, diagnostik visual, dan sistem cerdas.

02

Information Systems & Software Engineering

Area penelitian ini berfokus pada rekayasa siklus hidup pengembangan perangkat lunak (software development life cycle) dan perancangan arsitektur sistem informasi yang andal, terukur (scalable), serta selaras dengan kebutuhan organisasi maupun bisnis. Cakupannya meliputi rekayasa kebutuhan (requirements engineering), desain arsitektur perangkat lunak, metode pengembangan agile, pengujian dan penjaminan kualitas perangkat lunak (software testing and quality assurance), tata kelola TI, hingga integrasi sistem informasi untuk meningkatkan efisiensi operasional dan pengambilan keputusan berbasis data.

03

Computer Vision & Deep Learning

Area penelitian ini berfokus pada pemanfaatan arsitektur jaringan saraf tiruan dalam (deep neural networks) untuk memungkinkan sistem komputer mengekstraksi fitur, mengenali pola, dan memahami informasi visual dari citra digital maupun video secara otomatis. Cakupannya meliputi pengembangan dan optimasi model seperti Convolutional Neural Networks (CNN), Vision Transformers (ViT), dan arsitektur deteksi objek untuk tugas klasifikasi, segmentasi semantik, maupun pelacakan objek (object tracking) guna menyelesaikan permasalahan visual kompleks dengan tingkat akurasi dan efisiensi komputasi yang tinggi.

04

Decision Support Systems (DSS)

Area penelitian ini berfokus pada perancangan dan pengembangan sistem berbasis komputer yang mengintegrasikan data, model matematis, serta teknik analitik untuk membantu pengambil keputusan menyelesaikan permasalahan yang bersifat semi-terstruktur maupun tidak terstruktur. Cakupannya meliputi metode Multi-Criteria Decision Making (MCDM) seperti AHP, TOPSIS, dan Profile Matching, pemodelan berbasis aturan (rule-based), hingga integrasi data mining dan kecerdasan buatan guna menghasilkan rekomendasi keputusan yang objektif, akurat, dan terukur.

05

Computational Intelligence & Educational Data Mining

Area penelitian ini berfokus pada penerapan metode kecerdasan komputasional—seperti jaringan saraf tiruan (neural networks), logika fuzzy (fuzzy logic), algoritma evolusioner, dan machine learning—untuk mengeksplorasi serta mengekstraksi pola tersembunyi dari data skala besar di lingkungan pendidikan. Cakupannya meliputi pemodelan perilaku dan profil kompetensi siswa (student modeling), prediksi performa akademik, deteksi dini risiko putus sekolah (dropout), analisis kemiripan atau plagiarisme kode sumber (source code similarity), hingga pengembangan sistem pembelajaran adaptif guna meningkatkan efektivitas proses belajar-mengajar.

06

Static Program Analysis & Source Code Intelligence

Static Program Analysis & Source Code Intelligence merupakan bidang penelitian rekayasa perangkat lunak yang berfokus pada analisis struktur sintaksis, semantik, dan pola leksikal kode sumber secara otomatis tanpa mengeksekusi program.

PROYEK RISET

Daftar Proyek & Eksperimen

Ajukan kolaborasi riset ↗
AKTIF 2026
Ketua Peneliti

DETEKSI PLAGIARISME KODE SUMBER BERBASIS PENDEKATAN HIBRIDA: INTEGRASI WINNOWING DAN ABSTRACT SYNTAX TREE

Plagiarisme kode sumber menjadi ancaman serius dalam pendidikan tinggi bidang komputer, terutama dengan kemudahan akses terhadap Generative AI seperti ChatGPT yang memungkinkan mahasiswa memodifikasi kode secara sulit terdeteksi. Metode deteksi yang ada memiliki keterbatasan: pendekatan berbasis token seperti Winnowing efisien namun lemah terhadap modifikasi struktural, sementara metode berbasis Abstract Syntax Tree (AST) akurat namun berat secara komputasi. Penelitian ini mengembangkan kerangka kerja hibrida yang mengintegrasikan Winnowing dan AST dalam satu pipeline terpadu melalui mekanisme tiga zona keputusan (three-zone cascading). Pertama, jika skor Winnowing < 30% (zona rendah), sistem langsung memutuskan bukan plagiat tanpa memanggil AST. Kedua, jika skor Winnowing melampaui ambang atas dinamis (80%–90% sesuai jumlah fingerprint), sistem mengambil keputusan langsung dari Winnowing (fast path). Ketiga, jika skor berada pada zona abu-abu (30% hingga ambang atas dinamis), sistem memanggil analisis AST dan skor akhir dihitung sebagai nilai maksimum antara Winnowing dan AST. Keputusan akhir menggunakan dua ambang batas dinamis (dynamic threshold) yang sama-sama memperketat kriteria pada kode berukuran kecil untuk mencegah false positive: (a) ambang Winnowing berbasis jumlah fingerprint yang menentukan batas atas zona abu-abu sekaligus keputusan pada jalur early-exit, yaitu 90% untuk ≤40 fingerprint, 85% untuk 41–80 fingerprint, dan 80% untuk >80 fingerprint; serta (b) ambang AST berbasis jumlah node yang berlaku ketika analisis AST dipanggil, yaitu 90% untuk ≤25 node, 80% untuk 26–65 node, dan 70% untuk >65 node. Sistem diimplementasikan sebagai aplikasi web full-stack dengan backend FastAPI dan frontend React. Evaluasi dilakukan menggunakan dua skenario utama: (1) Dataset 1 berisi 277 pasangan kode Java (160 pasangan positif dengan lima level perubahan terkontrol dan 117 pasangan negatif) untuk validasi akurasi klasifikasi, dan (2) Dataset 2 berisi 24.715 pasangan kode tugas mahasiswa untuk uji efisiensi waktu. Berbeda dari evaluasi sebelumnya yang hanya memuat pasangan positif, penambahan pasangan negatif memungkinkan pengukuran presisi, recall, dan spesifisitas yang bermakna. Berdasarkan hasil pada Dataset 1, sistem memperoleh akurasi 92,78%, presisi 94,87%, recall 92,50%, spesifisitas 93,16%, dan F1-Score 93,67%, dengan confusion matrix TP=148, FN=12, FP=8, dan TN=109. Seluruh kesalahan terkonsentrasi pada kasus tersulit: 12 false negative pada Level 4 (kombinasi seluruh teknik modifikasi) dan 8 false positive pada pasangan negatif yang kebetulan memiliki kerangka solusi serupa. Pada Dataset 2, pendekatan hibrida menghemat 29,29% total waktu komputasi dibandingkan AST murni (1.121.715 ms menjadi 793.217 ms) atau rata-rata 1,41× lebih cepat, dengan 56,16% pasangan melakukan early exit dan rasio panggilan AST hanya 43,84% (di bawah target <50%). Penelitian ini merupakan bagian dari peta jalan riset tiga tahun (TKT Level 4). Luaran target meliputi prototipe perangkat lunak, hak cipta program, dan publikasi jurnal internasional bereputasi. Sistem diharapkan mengotomatisasi penilaian tugas pemrograman di Universitas Negeri Medan, mengurangi beban dosen, serta menegakkan kejujuran akademik secara objektif dan transparan.