Analisis Forensik pada Drone Dengan Deep Learning dan Optical Flow

Editya, Arda Surya (2025) Analisis Forensik pada Drone Dengan Deep Learning dan Optical Flow. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 7025211019-Dissertation.pdf] Text
7025211019-Dissertation.pdf - Accepted Version
Restricted to Repository staff only until April 2027.

Download (4MB) | Request a copy

Abstract

Drone merupakan suatu perangkat nirawak yang bisa terbang dan mengumpulkan data dari udara. Data yang dikumpulkan bisa berupa audio, video, atau citra digital. Investigasi forensik diperlukan ketika sebuah drone mengalami kecelakaan atau terdapat drone musuh yang memasuki wilayah pertahanan negara. Banyak metode yang dapat digunakan dalam menganalisis bagaimana drone tersebut bisa mengalami kecelakaan ataupun mengalami kerusakan saat mengudara salah satunya yakni dengan menggunakan metode forensik drone. Data analysis adalah tahapan yang penting dalam forensik drone untuk mendapatkan informasi dan kesimpulan penyebab kecelakaan pada drone. Semakin banyak informasi yang didapatkan pada tahapan ini membuat kesimpulan forensik menjadi semakin akurat. Tujuan penelitian ini adalah mengembangkan sebuah metode pada tahap data analysis di forensik drone untuk mengumpulkan informasi tabrakan drone, arah penyerang drone, dan malfungsi sistem pada drone. Solusi yang ditawarkan pada penelitian ini yakni dengan menggunakan deep learning untuk mendeteksi tabrakan pada drone, optical flow untuk menggambarkan arah penabrak drone dan modifikasi metode Transformer untuk mendeteksi malfungsi sistem. Hasil yang didapatkan dari penelitian ini adalah untuk metode deep learning Inception V3 memiliki nilai akurasi 99.35% dan F1-Score 99.56%. Sedangkan untuk metode Transformer memiliki nilai akurasi 96.8% dan F-1 Score 94.21%. Sedangkan untuk metode optical flow yang memiliki performa baik adalah metode Lucas Kanade. Penggunaan deep learning dan optical flow dapat memberikan informasi tabrakan drone, malfungsi sistem, estimasi arah dan deteksi objek penyerang pada drone. Sehingga, hasil dari laporan forensik yang dihasilkan semakin optimal dan komprehensif.
==================================================================================================================================
Drones are unmanned devices that can fly and collect data from the air. The data collected can be audio, video, or digital images. Forensic investigations are needed when a drone crashes or an enemy drone enters a state protected area. Many methods can be used to analyze how the drone could have crashed or been damaged while in the air, one of which is by using the drone forensics method. Data analysis is an important stage in drone forensics to obtain information and conclusions about the cause of the drone crash. The more information obtained at this stage makes the forensic conclusion more accurate. The purpose of this study is to develop a method at the data analysis stage in drone forensics to collect information on drone collisions, the direction of drone attackers, and system malfunctions on drones. The solution offered in this study is to use deep learning to detect drone collisions, optical flow to describe the direction of drone crashers and modification of the Transformer method to detect system malfunctions. The results obtained from this study are that the Inception V3 deep learning method has an accuracy value of 99.35% and an F1-Score of 99.56%. While the Transformer method has an accuracy value of 96.8% and an F-1 Score of 94.21%. Meanwhile, the optic flow method that has good performance is the Lucas Kanade method. The use of deep learning and optical flow can provide information on drone collisions, system malfunctions, direction estimates and detection of attacking objects on drones. Thus, the results of the forensic reports produced are increasingly optimal and comprehensive.

Item Type: Thesis (Doctoral)
Uncontrolled Keywords: forensik drone, deep learning, optical flow, Transformer, drone forensic
Subjects: T Technology > T Technology (General) > T57.5 Data Processing
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55001-(S3) PhD Thesis (Comp Science)
Depositing User: Arda Surya Editya
Date Deposited: 03 Feb 2025 08:03
Last Modified: 03 Feb 2025 08:03
URI: http://repository.its.ac.id/id/eprint/117764

Actions (login required)

View Item View Item