Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penggunaaan Single Electron Transistor SET merupakan salah satu pendekatan yang dilakukan untuk menggantikan penggunaan transistor. Meskipun SET memiliki ukuran divais dan konsumsi daya yang lebih kecil dibanding transistor biasa, suhu operasionalnya masih sangat rendah dibawah 50 Kelvin. Keterbatasan temperatur operasional pada SET ini menjadi salah satu masalah yang masih didiskusikan secara luas dalam pengaplikasian SET secara global. Skripsi ini melaporkan hasil simulasi rangkaian SET dengan Quantum Dot yang disusun seri dan dilihat perbandingan antara temperatur maksimal dengan jumlah Quantum Dot. Hasil simulasi di perangkat lunak SIMON 2.0 menunjukkan bahwa bertambahnya jumlah Quantum Dot yang disusun seri akan meningkatkan batas temperatur operasional dari SET. Dengan menggunakan pendekatan Multiple Quantum Dot, suhu operasional dari SET dapat mencapai 120 Kelvin.

---

The usage of Single Electron Transistor SET is one of the alternatives to replace the usage of transistor. Although SET has a smaller size and power consumption compared to normal transistors, the operational temperature is still fairly low below 50 Kelvin . This limited operational temperature became the most controversial problem that is still being discussed before applying SET worldwide. This Undergraduate Thesis reports the result from a simulation of a SET circuit is designed with Quantum Dot connected in series and the connection between maximum operational temperature and the amount of Quantum Dot in series will be observed. The result of the simulation from SIMON 2.0 software shows that the increase in Quantum Dot aligned in series will increase the maximum operational temperature. Using the Multiple Quantum Dot approach, the operational temperature of the SET can reach up to 120 Kelvin."

"Keamanan data (data security) sudah menjadi bagian vital didalam suatu organisasi yang menggunakan konsep sistem informasi. Semakin hari ancaman-ancaman yang datang dari Internet menjadi semakin berkembang hingga dapat mengelabuhi firewall maupun perangkat antivirus. Selain itu jumlah serangan yang masuk menjadi lebih besar dan semakin sulit untuk diolah oleh firewall maupun antivirus. Untuk dapat meningkatkan keamanan dari suatu sistem biasanya dilakukan penambahan Intrusion Detection Sistem IDS , baik sistem dengan kemampuan anomaly-based maupun sistem pendeteksi dengan kemampuan signature-based. Untuk dapat mengolah serangan yang jumlahnya besar maka digunakan teknik Big Data. Penelitian yang dilakukan ini menggunakan teknik anomaly-based dengan menggunakan Learning Vector Quantization dalam pendeteksian serangan. Learning Vector Quantization adalah salah satu jenis neural network yang bisa mempelajari sendiri masukan yang masuk kemudian memberi keluaran sesuai dengan masukan tersebut. Beberapa modifikasi dilakukan untuk meningkatkan akurasi pengujian, antara lain dengan melakukan variasi parameter-parameter uji yang ada pada LVQ. Dengan melakukan variasi pada parameter uji learning rate, epoch dan k-fold cross validation dihasilkan keluaran dengan hasil yang lebih efisien. Keluaran diperoleh dengan menghitung nilai information retrieval dari tabel confusion matrix tiap- tiap kelas serangan. Untuk meningkatkan kinerja sistem maka digunakan teknik Principal Component Analysis untuk mereduksi ukuran data. Dengan menggunakan 18-Principal Component data berhasil direduksi sebesar 47.3 dengan nilai Recognition Rate terbaik sebesar 96.52 dan efesiensi waktu lebih besar 43.16 daripada tanpa menggunakan PCA.

---

Data security has become a very serious part of any organizational information system. More and more threats across the Internet has evolved and capable to deceive firewall as well as antivirus software. In addition, the number of attacks become larger and become more dificult to be processed by the firewall or antivirus software. To improve the security of the system is usually done by adding Intrusion Detection System IDS , which divided into anomaly based detection and signature based detection. In this research to process a huge amount of data, Big Data technique is used. Anomaly based detection is proposed using Learning Vector Quantization Algorithm to detect the attacks.

Learning Vector Quantization is a neural network technique that learn the input itself and then give the appropriate output according to the input. Modifications were made to improve test accuracy by varying the test parameters that present in LVQ. Varying the learning rate, epoch and k fold cross validation resulted in a more efficient output.

The output is obtained by calculating the value of information retrieval from the confusion matrix table from each attack classes. Principal Component Analysis technique is used along with Learning Vector Quantization to improve system performance by reducing the data dimensionality. By using 18 Principal Component, dataset successfully reduced by 47.3 , with the best Recognition Rate of 96.52 and time efficiency improvement up to 43.16."