Home > Blog > Contoh 30 Judul Disertasi (Penelitian S3) Di Bidang Ilmu Komputer

Contoh 30 Judul Disertasi (Penelitian S3) Di Bidang Ilmu Komputer

28 Jan 2025 | dibaca 163 kali

Di bawah ini adalah 30 judul disertasi (penelitian S3) di bidang Ilmu Komputer yang diambil dari berbagai negara dan bahasa, kemudian diterjemahkan ke dalam Bahasa Indonesia. Masing-masing judul dilengkapi dengan deskripsi singkat mengenai fokus penelitian, tujuan penelitian, serta metode yang digunakan.

  1. “Optimasi Jaringan Saraf Mendalam untuk Deteksi Objek Real-Time pada Kendaraan Otonom”

    • Asal Judul (Inggris): “Optimization of Deep Neural Networks for Real-Time Object Detection in Autonomous Vehicles”
    • Deskripsi: Penelitian ini membahas pengembangan algoritme deep learning yang efisien untuk mendeteksi objek (misalnya, pejalan kaki, kendaraan lain, rambu lalu lintas) dalam waktu nyata di kendaraan otonom.
    • Tujuan Penelitian:
      1. Mengurangi latensi pemrosesan video dalam sistem kendaraan otonom.
      2. Meningkatkan akurasi deteksi berbagai jenis objek pada kondisi jalan yang berbeda.
      3. Menyusun arsitektur jaringan saraf yang hemat daya untuk implementasi di perangkat on-board.
    • Metode: Eksperimen komputasional menggunakan dataset open-source (COCO, KITTI), optimasi hyperparameter, dan pengujian prototipe pada platform hardware berdaya rendah.

  2. “Analisis Big Data untuk Prediksi Krisis Keuangan: Pendekatan Pembelajaran Mesin Terpadu”

    • Asal Judul (Prancis): “Analyse de Big Data pour la Prévision des Crises Financières : Une Approche d’Apprentissage Automatique Intégrée”
    • Deskripsi: Disertasi ini mengkaji penggunaan teknik big data dan machine learning untuk memprediksi potensi krisis keuangan, dengan memanfaatkan data historis pasar saham dan indikator makroekonomi.
    • Tujuan Penelitian:
      1. Mengidentifikasi fitur-fitur kunci yang menjadi penanda awal krisis keuangan.
      2. Mengembangkan model prediksi yang lebih akurat dibandingkan model statistik tradisional.
      3. Mengusulkan kerangka integrasi data lintas sektor (perbankan, saham, komoditas).
    • Metode: Pemodelan machine learning (random forest, gradient boosting), analisis deret waktu, dan validasi model menggunakan data real jangka panjang.

  3. “Pemodelan Kognitif untuk Interaksi Robot-Human di Lingkungan Manufaktur Industri 4.0”

    • Asal Judul (Jerman): “Kognitive Modellierung für die Roboter-Mensch-Interaktion in Industrie 4.0-Produktionsumgebungen”
    • Deskripsi: Disertasi ini meneliti bagaimana robot industri dapat berinteraksi dengan pekerja manusia secara lebih aman dan efisien dengan menggunakan pemodelan kognitif yang meniru proses pengambilan keputusan manusia.
    • Tujuan Penelitian:
      1. Mengembangkan algoritme kognitif yang memungkinkan robot memahami konteks kerja dan niat manusia.
      2. Meningkatkan keamanan kerja di pabrik dengan sistem kolaboratif robot-manusia.
      3. Mengevaluasi performa robot dalam menyesuaikan diri dengan perubahan kondisi produksi.
    • Metode: Simulasi robotik di lingkungan virtual, eksperimen di laboratorium manufaktur, dan analisis data sensorik (LiDAR, kamera, sensor tenaga).

  4. “Sistem Keamanan Berbasis Blockchain untuk Penyimpanan dan Berbagi Data Medis”

    • Asal Judul (Inggris): “Blockchain-Based Security System for Medical Data Storage and Sharing”
    • Deskripsi: Penelitian ini mengkaji penggunaan teknologi blockchain untuk menjaga integritas, kerahasiaan, dan keterlacakan data pasien dalam sistem informasi rumah sakit.
    • Tujuan Penelitian:
      1. Merancang protokol berbagi data medis yang aman dan terdesentralisasi.
      2. Menganalisis kinerja jaringan blockchain dalam hal skala dan latensi.
      3. Mengintegrasikan standar privasi (HIPAA, GDPR) ke dalam arsitektur blockchain.
    • Metode: Implementasi prototipe blockchain (Hyperledger, Ethereum Private Network), pengukuran throughput dan latensi jaringan, serta uji keamanan terhadap serangan siber.

  5. “Pengenalan Wicara Multibahasa untuk Aplikasi Asisten Virtual di Perangkat Mobile”

    • Asal Judul (Mandarin): “多语言语音识别在移动设备虚拟助手应用中的研究与实现”
    • Deskripsi: Disertasi ini berfokus pada pengembangan sistem pengenalan wicara yang mampu menangani berbagai bahasa dalam satu model, dengan efisiensi tinggi pada perangkat seluler.
    • Tujuan Penelitian:
      1. Meningkatkan akurasi pengenalan wicara pada skenario penggunaan nyata (noisy environment).
      2. Mengurangi ukuran model agar dapat diimplementasikan pada smartphone berdaya rendah.
      3. Memperbaiki kemampuan sistem untuk beralih bahasa secara dinamis.
    • Metode: Transfer learning pada model akustik dan bahasa, quantization model untuk reduksi ukuran, serta evaluasi kinerja real-time pada perangkat Android/iOS.

  6. “Pengembangan Metode Kompresi Citra dan Video Ultra HD Berbasis Pembelajaran Mendalam”

    • Asal Judul (Jepang): “ディープラーニングを用いた超高精細画像・映像圧縮手法の開発”
    • Deskripsi: Studi ini mencari solusi kompresi cerdas untuk gambar dan video resolusi ultra-tinggi (4K/8K) menggunakan model deep learning yang dapat mempertahankan kualitas visual sambil menghemat bandwidth.
    • Tujuan Penelitian:
      1. Menemukan arsitektur deep learning yang optimal untuk kompresi 8K.
      2. Mengurangi artefak visual akibat proses kompresi lossy.
      3. Menganalisis efisiensi komputasi model dalam skala industri penyiaran.
    • Metode: Eksperimen kompresi dengan autoencoder variational, evaluasi kualitas dengan metrik SSIM/PSNR, dan perbandingan dengan codec konvensional (H.265, AV1).

  7. “Algoritme Pengoptimalan Berbasis Swarm Intelligence untuk Penjadwalan Tugas pada Sistem Komputasi Awan”

    • Asal Judul (Spanyol): “Algoritmos de Optimización basados en Swarm Intelligence para la Programación de Tareas en Computación en la Nube”
    • Deskripsi: Disertasi ini merancang algoritme swarm (misalnya Particle Swarm Optimization, Ant Colony) untuk menjadwalkan tugas komputasi secara efisien di lingkungan cloud dengan sumber daya heterogen.
    • Tujuan Penelitian:
      1. Meminimalkan waktu eksekusi (makespan) dan biaya penggunaan cloud.
      2. Menangani perubahan dinamika resource (auto-scaling, kegagalan node).
      3. Meningkatkan pemanfaatan sumber daya secara optimal.
    • Metode: Pemodelan matematis penjadwalan tugas, implementasi algoritme swarm, serta evaluasi performa di platform cloud publik (AWS, Azure) dan private cloud.

  8. “Keamanan IoT di Lingkungan Smart Home: Deteksi Intrusi dan Otentikasi Perangkat Cerdas”

    • Asal Judul (Prancis): “Sécurité IoT dans les Maisons Intelligentes : Détection d’Intrusions et Authentification des Dispositifs Connectés”
    • Deskripsi: Penelitian ini fokus pada pengembangan mekanisme deteksi intrusi berbasis kecerdasan buatan dan skema otentikasi untuk menjamin keamanan perangkat IoT di smart home.
    • Tujuan Penelitian:
      1. Membuat sistem pemantauan lalu lintas jaringan IoT yang adaptif.
      2. Meningkatkan kehandalan proses otentikasi perangkat baru dalam ekosistem smart home.
      3. Menilai kinerja sistem keamanan terhadap serangan siber terkini (DDoS, spoofing).
    • Metode: Analisis data jaringan IoT (flow analysis), metode anomaly detection (machine learning), uji penetrasi, serta simulasi pada perangkat smart home (sensor, smart TV, kamera).

  9. “Pengembangan Sistem Rekomendasi Kontekstual dengan Pendekatan Graph Embedding”

    • Asal Judul (Italia): “Sviluppo di Sistemi di Raccomandazione Contestuale basati su Graph Embedding”
    • Deskripsi: Disertasi ini menyelidiki cara memanfaatkan representasi graph embedding (misalnya, Node2Vec, GraphSAGE) untuk membangun sistem rekomendasi yang lebih akurat dengan memanfaatkan konteks pengguna.
    • Tujuan Penelitian:
      1. Meningkatkan personalisasi rekomendasi melalui relasi kompleks antar item dan pengguna.
      2. Menggabungkan faktor konteks (waktu, lokasi, suasana) ke dalam model rekomendasi.
      3. Menyusun kerangka sistem rekomendasi berbasis graph yang terukur dan efisien.
    • Metode: Ekstraksi fitur graph dari data interaksi pengguna, implementasi model embedding, eksperimen pada dataset e-commerce dan media streaming, serta evaluasi dengan metrik MAP/NDCG.

  10. “Metodologi Formal untuk Verifikasi Keamanan Perangkat Lunak Berbasis Sistem IoT”

    • Asal Judul (Rusia): “Формальные методы верификации безопасности для IoT-приложений”
    • Deskripsi: Penelitian ini mengusulkan rangkaian metode formal (misalnya model checking, theorem proving) untuk memverifikasi keamanan dan keandalan perangkat lunak yang berjalan pada ekosistem IoT.
    • Tujuan Penelitian:
      1. Menemukan kerentanan logika dan race conditions dalam kode sumber.
      2. Menyediakan bukti formal atas kepatuhan perangkat lunak terhadap protokol keamanan.
      3. Memudahkan pengembang dalam mengintegrasikan verifikasi formal ke dalam siklus DevOps.
    • Metode: Pengembangan model formal dari spesifikasi IoT, penggunaan tool verifikasi (SPIN, Isabelle), dan studi kasus pada beberapa platform IoT (Contiki, Zephyr).

  11. “Pemanfaatan Reinforcement Learning untuk Pengaturan Lalu Lintas Perkotaan Cerdas”

    • Asal Judul (Korea): “강화학습을 이용한 스마트 도시 교통 제어 연구”
    • Deskripsi: Disertasi ini menyoroti penggunaan metode reinforcement learning (RL) untuk mengoptimalkan pengaturan lampu lalu lintas dan rute transportasi, guna mengurangi kemacetan di perkotaan.
    • Tujuan Penelitian:
      1. Menyesuaikan waktu lampu lalu lintas secara dinamis berdasarkan kondisi aktual.
      2. Meningkatkan kelancaran arus kendaraan dan mengurangi waktu tempuh.
      3. Mengintegrasikan data real-time (sensor, CCTV) ke dalam algoritme RL.
    • Metode: Simulasi traffic dengan SUMO/Vissim, implementasi algoritme RL (Q-learning, DQN), dan analisis kinerja (waktu tunggu, panjang antrian) di skenario berbeda.

  12. “Pengenalan Objek 3D Berbasis Komputer Kuantum: Eksperimen Awal pada Sistem Hybrid”

    • Asal Judul (Inggris): “3D Object Recognition Using Quantum Computing: Preliminary Experiments on a Hybrid System”
    • Deskripsi: Penelitian ini mengeksplorasi potensi komputer kuantum untuk melakukan operasi kompleks pada data visual 3D, khususnya untuk tugas pengenalan objek dan pengolahan citra volumetrik.
    • Tujuan Penelitian:
      1. Membandingkan algoritme pengenalan objek di komputer klasik vs. kuantum.
      2. Menilai kesiapan teknologi kuantum bagi aplikasi computer vision.
      3. Menyusun kerangka hybrid computing yang memadukan CPU/GPU tradisional dengan qubit.
    • Metode: Implementasi algoritme prototipe (quantum nearest-neighbor) pada platform kuantum publik (IBM Q), evaluasi akurasi pada dataset 3D sederhana, dan analisis kinerja.

  13. “Pengembangan Chatbot Terintegrasi untuk Konseling Psikologis: Studi Pendekatan NLP Multimodal”

    • Asal Judul (Portugis): “Desenvolvimento de Chatbots Integrados para Aconselhamento Psicológico: Um Estudo de Abordagem Multimodal de PNL”
    • Deskripsi: Disertasi ini meneliti penerapan Natural Language Processing (NLP) pada chatbot yang dirancang khusus untuk konseling psikologis, dengan memanfaatkan analisis sentimen teks dan suara.
    • Tujuan Penelitian:
      1. Mengidentifikasi emosi pengguna melalui analisis teks dan intonasi suara.
      2. Membangun algoritme respons yang empatik dan sesuai konteks konseling.
      3. Menilai efektivitas chatbot dalam membantu proses dukungan mental.
    • Metode: Pengumpulan data percakapan konseling, pelatihan model NLP (transformer-based), integrasi analisis suara (mel-frequency, prosody), dan uji coba terbatas dengan partisipan sukarela.

  14. “Optimasi Algoritme Pengenalan Tekstur pada Citra Medis untuk Deteksi Dini Kanker Kulit”

    • Asal Judul (Italia): “Ottimizzazione degli Algoritmi di Riconoscimento di Strutture Testurali nelle Immagini Mediche per la Diagnosi Precoce del Cancro della Pelle”
    • Deskripsi: Penelitian ini mengeksplorasi teknik pengolahan citra dan machine learning untuk mendeteksi pola tekstur pada citra dermatologi (misalnya melanoma), sehingga membantu diagnosis dini kanker kulit.
    • Tujuan Penelitian:
      1. Mengembangkan model deteksi otomatis dengan akurasi tinggi.
      2. Membandingkan berbagai pendekatan ekstraksi fitur tekstur (LBP, Gabor filter, CNN).
      3. Menyediakan sistem pendukung keputusan bagi dokter dermatologis.
    • Metode: Pengolahan citra medis, implementasi CNN untuk klasifikasi, validasi klinis dengan dataset rumah sakit, dan pengukuran kinerja (akurasi, sensitivitas, spesifisitas).

  15. “Penggunaan Komputasi Awan Berdasarkan Arsitektur Serverless untuk Aplikasi Bioteknologi Genomik”

    • Asal Judul (Inggris): “Serverless Cloud Computing Architecture for Genomic Biotechnology Applications”
    • Deskripsi: Disertasi ini membahas penerapan arsitektur serverless (FaaS) untuk pemrosesan data genomik berskala besar, dengan tujuan menekan biaya komputasi dan mempercepat analisis.
    • Tujuan Penelitian:
      1. Mengevaluasi performa workflow genomik pada layanan serverless (AWS Lambda, Google Cloud Functions).
      2. Mengoptimalkan pemrosesan data next-generation sequencing (NGS).
      3. Menyusun mekanisme penjadwalan fungsi yang efisien berdasarkan besarnya job genomik.
    • Metode: Eksperimen performa pada platform cloud, analisis throughput dan latensi, pembandingan biaya antara model serverless vs. server-based, dan studi kasus pada proyek sequencing.

  16. “Sistem Navigasi Berbasis Visuopropioseptif untuk Robot Humanoid di Lingkungan Kompleks”

    • Asal Judul (Spanyol): “Sistema de Navegación Visuopropioceptiva para Robots Humanoides en Entornos Complejos”
    • Deskripsi: Penelitian ini meneliti gabungan sensor visual (kamera) dan sensor proprioseptif (IMU, joint sensors) untuk membangun sistem navigasi robot humanoid yang stabil dan adaptif di lingkungan dinamis.
    • Tujuan Penelitian:
      1. Meningkatkan kemampuan robot humanoid dalam beradaptasi terhadap perubahan medan.
      2. Mengurangi risiko jatuh melalui koordinasi gerak otonom.
      3. Mengintegrasikan pemrosesan data multi-sensor secara real-time.
    • Metode: Pengembangan algoritme sensor fusion (Kalman filter, particle filter), pemodelan inverse kinematics, dan uji coba robot humanoid di laboratorium berhalang rintang.

  17. “Pendeteksian Serangan Siber di Infrastruktur Energi Cerdas menggunakan Deep Reinforcement Learning”

    • Asal Judul (Prancis): “Détection des Cyberattaques sur l’Infrastructure Énergétique Intelligente à l’aide du Deep Reinforcement Learning”
    • Deskripsi: Disertasi ini mendalami cara mengidentifikasi ancaman siber pada grid listrik cerdas (smart grid) dengan menerapkan metode deep reinforcement learning untuk memonitor dan merespons anomali.
    • Tujuan Penelitian:
      1. Mengembangkan agen pembelajar yang adaptif dalam mendeteksi dan menanggulangi serangan.
      2. Meningkatkan ketahanan infrastruktur energi terhadap gangguan siber.
      3. Menyediakan model pertahanan aktif dengan pemulihan otomatis.
    • Metode: Pengumpulan data serangan (intrusion dataset), pengembangan lingkungan simulasi smart grid, dan penerapan deep RL (DQN, PPO) untuk strategi deteksi & mitigasi.

  18. “Analisis Sentimen Media Sosial Berbasis Topik menggunakan Metode Topic Modeling Dinamis”

    • Asal Judul (Inggris): “Topic-Based Social Media Sentiment Analysis Using Dynamic Topic Modeling Techniques”
    • Deskripsi: Penelitian ini menitikberatkan pada pemodelan topik dinamis (misalnya Dynamic LDA) untuk mengetahui perubahan opini publik di media sosial terhadap isu-isu tertentu secara real-time.
    • Tujuan Penelitian:
      1. Mengidentifikasi topik utama yang dibicarakan netizen dan bagaimana perubahannya seiring waktu.
      2. Menggabungkan analisis sentimen untuk melihat kecenderungan positif, negatif, netral.
      3. Mengusulkan sistem pemantauan isu bagi pemangku kebijakan dan brand komersial.
    • Metode: Pengumpulan data Twitter/Reddit, preprocessing teks, implementasi dynamic topic modeling, dan penilaian akurasi sentimen melalui word embedding (Word2Vec, BERT).

  19. “Arsitektur Edge Computing untuk Optimalisasi Pengolahan Data Video pada Jaringan 5G”

    • Asal Judul (Mandarin): “基于边缘计算的5G视频数据处理优化架构研究”
    • Deskripsi: Disertasi ini mengkaji desain arsitektur edge computing untuk mendekatkan pemrosesan video ke lokasi pengguna pada jaringan 5G, dengan tujuan menurunkan latensi dan beban trafik.
    • Tujuan Penelitian:
      1. Merumuskan model penempatan server edge yang optimal di jaringan 5G.
      2. Meningkatkan efisiensi pengolahan video real-time (streaming, konferensi video).
      3. Menilai aspek skalabilitas dan QoS (Quality of Service) di berbagai skenario.
    • Metode: Pemodelan matematis (integer linear programming), simulasi jaringan 5G, dan evaluasi performa (latensi E2E, throughput) pada topologi edge bervariasi.

  20. “Sistem Pendeteksi Deepfake Berbasis Transfer Learning untuk Platform Media Sosial”

    • Asal Judul (Jerman): “Transfer-Learning-basierte Deepfake-Erkennungssysteme für Soziale Medienplattformen”
    • Deskripsi: Penelitian ini mengembangkan algoritme pendeteksi deepfake (video wajah palsu) menggunakan pendekatan transfer learning agar bisa beradaptasi dengan cepat terhadap beragam data wajah dan skenario.
    • Tujuan Penelitian:
      1. Mempercepat proses pelatihan model deteksi deepfake untuk dataset baru.
      2. Meningkatkan robustnes model terhadap manipulasi video tingkat lanjut.
      3. Merancang tool pendeteksi yang dapat diintegrasikan langsung pada platform media sosial.
    • Metode: Transfer learning dari model CNN berbasis video (misalnya Xception, EfficientNet), penambahan modul attention, evaluasi di dataset FaceForensics++, dan uji integrasi API di skala kecil.

  21. “Pembelajaran Federatif untuk Pendeteksian Penyakit pada Citra Medis: Studi Multi-Institusi”

    • Asal Judul (Inggris): “Federated Learning for Disease Detection in Medical Imaging: A Multi-Institution Study”
    • Deskripsi: Disertasi ini membahas penerapan federated learning, di mana model deep learning dilatih secara terdistribusi di berbagai rumah sakit tanpa berbagi data mentah, untuk deteksi penyakit (misalnya pneumonia, tumor).
    • Tujuan Penelitian:
      1. Memastikan privasi pasien dengan tidak memindahkan data antar institusi.
      2. Meningkatkan akurasi model melalui kolaborasi data global.
      3. Mengkaji tantangan teknis dan etika dalam federated learning di sektor kesehatan.
    • Metode: Implementasi protokol federated learning (mis. Flower, PySyft), analisis peningkatan performa vs. model lokal, dan pemodelan keamanan data (differential privacy).

  22. “Pengembangan Sistem Berbasis IoT untuk Pertanian Presisi: Studi Pemanfaatan Sensor dan Machine Learning”

    • Asal Judul (Belanda): “IoT-gebaseerd Precisielandsbouwsysteem: Gebruik van Sensors en Machine Learning”
    • Deskripsi: Penelitian ini menjelaskan cara menggabungkan sensor lingkungan (kelembapan, suhu, nutrisi tanah) dengan teknik machine learning untuk meningkatkan hasil panen dan efisiensi sumber daya di pertanian modern.
    • Tujuan Penelitian:
      1. Memaksimalkan produksi tanaman dengan analisis data real-time.
      2. Meminimalkan pemakaian air, pupuk, dan pestisida.
      3. Menyusun model prediksi kondisi optimal pertanian berbasis AI.
    • Metode: Deploy sensor IoT di lahan pertanian, pengumpulan dan analisis data melalui platform cloud, penerapan algoritme regression/classification untuk rekomendasi tindakan (irigasi, pemupukan).

  23. “Sistem Anotasi Semi-Otomatis Berbasis NLP untuk Dokumentasi Hukum”

    • Asal Judul (Italia): “Sistema di Annotazione Semi-Automatica Basata su NLP per Documenti Giuridici”
    • Deskripsi: Disertasi ini meneliti pengembangan tool anotasi cerdas pada dokumen hukum (kontrak, putusan pengadilan), yang memanfaatkan teknik NLP untuk menandai entitas dan hubungan hukum.
    • Tujuan Penelitian:
      1. Meringankan beban anotasi manual oleh para ahli hukum.
      2. Menjamin konsistensi penandaan entitas (pasal, pihak, peraturan).
      3. Menyediakan basis data hukum terstruktur yang mendukung analisis lebih lanjut.
    • Metode: Penerapan named entity recognition (NER) khusus domain hukum, pemanfaatan ontologi hukum, dan evaluasi efisiensi di firma hukum lokal.

  24. “Sistem Pembelajaran Beradaptasi Berbasis VR untuk Pelatihan Bedah Jantung”

    • Asal Judul (Inggris): “Adaptive VR-Based Learning System for Cardiac Surgery Training”
    • Deskripsi: Penelitian ini mengembangkan platform realitas virtual (VR) yang adaptif untuk melatih calon ahli bedah jantung, dengan penyesuaian tingkat kesulitan dan umpan balik real-time.
    • Tujuan Penelitian:
      1. Meningkatkan keahlian teknis dan pemahaman anatomi jantung secara interaktif.
      2. Menyediakan penilaian kinerja bedah otomatis (akurasi sayatan, waktu tindakan).
      3. Mengevaluasi efektivitas VR dibandingkan metode konvensional (kadaver, simulasi fisik).
    • Metode: Pengembangan modul VR dengan Unity/Unreal, integrasi haptic feedback, studi eksperimental dengan mahasiswa kedokteran, dan penilaian hasil pelatihan (OSATS).

  25. “Arsitektur Microservices untuk Aplikasi Web Skala Besar: Pengelolaan Beban dengan Orkestrasi Kontainer”

    • Asal Judul (Spanyol): “Arquitectura de Microservicios para Aplicaciones Web a Gran Escala: Gestión de Cargas con Orquestación de Contenedores”
    • Deskripsi: Disertasi ini menganalisis pendekatan arsitektur microservices pada aplikasi web berskala besar, termasuk penggunaan container orchestration (Kubernetes, Docker Swarm) untuk penyeimbangan beban.
    • Tujuan Penelitian:
      1. Meningkatkan skalabilitas dan reliability aplikasi web bertraffic tinggi.
      2. Menilai dampak pemecahan service terhadap kinerja dan latensi.
      3. Membangun best practice pipeline CI/CD untuk microservices.
    • Metode: Studi kasus implementasi microservices, pengujian beban (load test) menggunakan tool (JMeter, Locust), dan analisis metrik (throughput, response time).

  26. “Model Enkripsi Lanjut Berbasis Komputasi Kabur (Homomorphic Encryption) untuk Analisis Data Terenkripsi”

    • Asal Judul (Inggris): “Advanced Fully Homomorphic Encryption Models for Encrypted Data Analysis”
    • Deskripsi: Disertasi ini mempelajari model enkripsi homomorfik untuk memungkinkan pengolahan data sensitif (mis. data keuangan, kesehatan) tanpa harus mendekripsi terlebih dahulu, sehingga privasi tetap terjaga.
    • Tujuan Penelitian:
      1. Mengoptimalkan performa enkripsi homomorfik (kecepatan pemrosesan).
      2. Menganalisis keterbatasan memori dan komputasi pada skenario real-world.
      3. Mengintegrasikan protokol enkripsi ke dalam sistem data warehouse skala besar.
    • Metode: Implementasi skema homomorphic encryption (BFV, CKKS) di library open-source (HElib, SEAL), uji performa pada dataset nyata, dan evaluasi overhead komputasi.

  27. “Teknik Penelusuran Kode Berbasis Pembelajaran Mesin untuk Mengoptimalkan Proses Debugging”

    • Asal Judul (Jepang): “デバッグ工程を最適化するための機械学習ベースのコードトラッキング技術”
    • Deskripsi: Disertasi ini menyelidiki cara menerapkan machine learning dalam menelusuri dan memprioritaskan bagian kode yang rentan bug, sehingga mempercepat proses debugging oleh developer.
    • Tujuan Penelitian:
      1. Mengidentifikasi pola penulisan kode yang sering mengakibatkan bug.
      2. Menyusun algoritme pendeteksian bug secara dini dengan analisis statis dan dinamis.
      3. Meningkatkan produktivitas tim pengembang dalam menangani bug secara sistematis.
    • Metode: Pengumpulan data dari repositori open-source (GitHub), pembelajaran supervised/unsupervised untuk prediksi area kode bermasalah, dan pengujian tool debugging pada proyek nyata.

  28. “Metode Komputasi Berbasis DNA untuk Pemecahan Masalah NP-Lengkap: Studi Eksperimental pada Traveling Salesman Problem”

    • Asal Judul (Mandarin): “基于DNA计算的NP-完备问题求解方法：旅行商问题的实验研究”
    • Deskripsi: Penelitian ini mencoba memanfaatkan pendekatan komputasi DNA (biomolekuler) untuk menyelesaikan masalah NP-lengkap seperti Traveling Salesman Problem (TSP) dengan efisiensi paralel tinggi secara kimiawi.
    • Tujuan Penelitian:
      1. Menerapkan teknik encoding rute TSP pada untaian DNA.
      2. Menilai skala permasalahan TSP yang dapat dipecahkan dengan reaksi biokimia.
      3. Menguji kepraktisan dan batasan laboratorium komputasi DNA di skenario real.
    • Metode: Perancangan oligonukleotida, eksekusi reaksi PCR untuk seleksi solusi, analisis hasil menggunakan elektroforesis, dan perbandingan dengan algoritme komputasi klasik.

  29. “Pemrosesan Bahasa Alami untuk Deteksi Kemiripan Plagiarisme dalam Konten Akademik Multibahasa”

    • Asal Judul (Arab): “معالجة اللغة الطبيعية للكشف عن التشابه والانتحال في المحتوى الأكاديمي متعدّد اللغات”
    • Deskripsi: Disertasi ini meneliti teknik NLP lintas bahasa guna mendeteksi plagiarisme dalam makalah atau tugas akademik yang disusun dalam bahasa berbeda, termasuk translasi otomatis dan penyusunan parafrase.
    • Tujuan Penelitian:
      1. Membangun sistem lintas bahasa untuk mendeteksi kesamaan konten.
      2. Meningkatkan akurasi di ranah dokumen ilmiah dengan istilah teknis.
      3. Memfasilitasi institusi pendidikan memerangi plagiarisme secara global.
    • Metode: Penggunaan embedding multibahasa (mBERT, XLM-R), pengukuran similarity (cosine similarity, word alignment), dan uji coba pada dataset akademik dari beberapa bahasa (Arab, Inggris, Prancis).

  30. “Teknik Desain Interaksi HCI Berbasis Eye-Tracking untuk Pengguna Disabilitas Motorik”

    • Asal Judul (Swedia): “Ögonspårningsbaserade HCI-designtillämpningar för användare med motoriska funktionsnedsättningar”
    • Deskripsi: Penelitian ini mengembangkan antarmuka berbasis pelacak mata (eye-tracker) bagi pengguna dengan disabilitas motorik, sehingga mereka dapat berinteraksi dengan komputer hanya melalui pergerakan mata.
    • Tujuan Penelitian:
      1. Meningkatkan aksesibilitas komputer bagi pengguna dengan keterbatasan gerak.
      2. Mempercepat respon sistem dan keakuratan deteksi tatapan mata.
      3. Menyusun pedoman desain antarmuka HCI yang ramah disabilitas.
    • Metode: Pengembangan prototipe software eye-tracking, uji kinerja dan user experience dengan partisipan disabilitas, serta analisis kualitatif (wawancara, observasi) untuk menyempurnakan desain.

Ketiga puluh judul disertasi di atas mencerminkan keanekaragaman topik penelitian dalam bidang Ilmu Komputer dari berbagai negara. Dari pemrosesan bahasa alami, kecerdasan buatan (AI), komputasi awan, hingga keamanan siber dan komputasi kuantum, semuanya menunjukkan betapa luas dan mendalamnya disiplin ilmu ini. Metode yang digunakan pun bervariasi—mulai dari eksperimen laboratorium, simulasi, hingga studi kasus industri—mencerminkan sifat multidisipliner Ilmu Komputer. Harapannya, daftar ini dapat menginspirasi penelitian lanjutan serta memberikan gambaran mengenai tren dan tantangan riset terkini di bidang Ilmu Komputer.


Baca Juga :