Hasil Pencarian  ::  Simpan CSV :: Kembali

"Software-Defined Network (SDN) merupakan sebuah teknologi baru pada jaringan komputer. Teknologi ini memungkinkan user untuk mengontrol alur data pada jaringan yang dibangunnya. Isu keamanan jaringan saat ini menjadi isu penting terutama untuk melindungi sistem dari berbagai serangan pada jaringan. Serangan ping flood merupakan salah satu dari jenis serangan Distributed Denial of Service yang banyak terjadi dan berkembang dengan cepat di dunia jaringan komputer. Untuk memproteksi sistem itu sendiri dapat dilakukan dengan berbagai cara seperti dengan menggunakan firewall dan IDS. Namun, meskipun firewall didesain untuk memproteksi sebuah sistem, akan tetapi firewall tidak dapat memitigasi serangan dengan kategori Distributed Denial of Service karena memang perangkat tersebut tidak didesain untuk jenis serangan ini. Untuk dapat meningkatkan kinerja dalam memproteksi sebuah sistem terutama untuk memitigasi serangan DDoS, maka dapat digunakan teknologi SDN dengan membangun suatu mekanisme mitigasi yang memanfaatkan OpenFlow dan sFlow. Dengan pemanfaatan teknologi ini, didapatkan sistem deteksi dan mitigasi serangan ping flood yang cukup akurat dengan rata-rata waktu akses normal sebesar 0,26636 ms dan waktu mitigasi dan deteksi sebesar 10,5 detik. Sistem mitigasi dan deteksi ini juga tidak akan menggunakan sumber daya yang banyak dan mampu menurunkan penggunaan CPU sistem yang terkena serangan ping flood dengan selisih kenaikan dan penurunan penggunaan CPU sebesar 0,001% yang berarti sistem ini mampu mendeteksi dan memitigasi serangan ping flood dengan cukup efisien.

---

Software-Defined Network (SDN) is a new technology in computer network which is make an users can control data flow in network that build by users. At this time, network security issues be more important issue especially for protect the systems from any attackers in the computer network. Ping flood attack is one of Distributed Denial of Service attacks type that happened more than other network computer attacks and this attack growth fastest in computer network area. There are many methods to protects the system from attacker, i.e. using firewall and IDS. However, although firewall designed for protect the system, but firewall cannot mitigating the Distributed Denial of Service attack type because it not designed for that case. So, to improve performance of DDoS mitigation, we can use SDN technology with build a mitigation mechanism using OpenFlow and sFlow. Using this technology, we can get a ping flood attack mitigation and detection system more accurate with time average for normal access 0,26636 ms and time for mitigation and detection 10,5 second. This mitigation and detection system is not going to use much CPU resources and have ability for decrease CPU resources from attacks with difference 0,001%. It means, this system is more efficient for mitigation and detection ping flood attacks."

"Rumah cerdas adalah rumah yang dapat memberikan layanan kepada penghuninya sesuai dengan konteks yang sedang berlangsung saat ini. Salah satu konteks yang dijadikan acuan oleh rumah cerdas untuk memberikan layanan kepada penghuninya adalah konteks lokasi penghuni dan perangkat. Dalam beberapa penelitian rumah cerdas di Fasilkom UI, belum diimplementasikan modul yang memiliki fungsi untuk memahami konteks lokasi tersebut. Penelitian ini akan mengimplementasikan modul yang berfungsi untuk mengidentifikasi lokasi penghuni dan perangkat dengan menggunakan projective transformation yang meliputi perspective grid dan pendeteksian manusia pada citra video. Dari lokasi penghuni dan perangkat tersebut dapat diturunkan informasi lain seperti perangkat-perangkat terdekat dengan penghuni dan jaraknya dengan penghuni.

---

Smart home is a home that can provide services to it’s occupants according to the current ongoing context. One of the contexts that is used as reference, by the smart home to give services to it’s occupants, is the occupants location and devices location. There were some study about smart home in Fasilkom UI, but none of them implemented a module that has functionality for understanding the location context. This study will implement a module that will identify the location of occupants and devices using perspective grid on the image from video. Based on the occupant location and devices location, we can derive the other information such as the closest devices to the occupant dan the distance between them."

"Penelitian ini mengeksplorasi efektivitas penggunaan neural rerankers yang telah dilatih sebelumnya dalam meningkatkan kinerja model berbasis text matching seperti BM25 untuk digunakan dalam deteksi pertanyaan duplikat pada consumer health forum. Studi ini juga meneliti metode agregasi hasil reranking dari berbagai neural rerankers untuk menghasilkan performa yang lebih baik dibandingkan penggunaan reranker individual. Metode reranking pertama menggunakan BM25, diikuti oleh reranking kedua menggunakan model neural seperti cross-encoder/ms-marco-MiniLM-L-12-v2, paraphrase-MiniLM-L6-v2, dan lainnya. Tahap ketiga melibatkan teknik rank fusion seperti Borda Fuse, Condorcet, dan Weighted Combsum. Hasil menunjukkan bahwa kombinasi reranking dengan neural reranker secara signi kan meningkatkan efektivitas model BM25, terutama saat menggunakan teknik rank fusion yang lebih canggih seperti Weighted Combsum. Studi ini menyarankan bahwa agregasi hasil reranking dapat mengatasi kelemahan individual reranker dan memberikan hasil yang lebih konsisten dan efektif. Penelitian ini membuka jalan untuk eksplorasi lebih lanjut dalam optimisasi kombinasi model untuk pencarian informasi yang lebih akurat dan e sien.

---

This study explores the effectiveness of using pre-trained neural rerankers in improving the performance of text matching based models such as BM25 for use in duplicate question detection in textitconsumer health forum. This study also examines the method of aggregating reranking results from various neural rerankers to produce better performance than using individual rerankers. The rst reranking method used BM25, followed by the second reranking using neural models such as cross-encoder/ms-marco-MiniLM-L-12-v2, paraphrase-MiniLM-L6-v2, and others. The third stage involves rank fusion techniques such as BordaFUSE, Condorcet, and Weighted COMBSUM. Results show that the combination of reranking with neural rerankers signi cantly improves the effectiveness of the BM25 model, especially when using more advanced rank fusion techniques such as Weighted COMBSUM. This study suggests that aggregation of reranking results can overcome the weaknesses of individual rerankers and provide more consistent and effective results. This research paves the way for further exploration in model combination optimization for more accurate and ef cient information retrieval."

"

Pengenalan emosi dasar melalui ekspresi wajah menjadi domain penelitian yang berkembang saat ini. Berbagai metode machine learning telah digunakan untuk permasalahan ini. Dewasa ini, metode deep learning terbukti lebih robust untuk penyelesaian domain pengenalan emosi dasar. Salah satu metode deep learning yang dapat digunakan adalah deep belief network-deep neural network (DBN). Metode ini sebelumnya berhasil diujikan untuk pengenalan citra CIFAR-10 dan MNIST, namun masih belum digunakan untuk dataset citra emosi wajah. Oleh karena itu, pada penelitian ini, kami menggunakan DBN-DNN untuk pengenalan emosi dasar. DBN-DNN diujikan dengan 2 (dua) skema eksperimen yakni DBN-DNN dimensi penuh dimensi tereduksi. Hasil dari kedua skema menunjukkan bahwa DBN-DNN berhasil diujikan pada dataset citra wajah MUG, CK+, dan IMED untuk pengenalan 7 (tujuh) kelas emosi dasar yaitu marah, jijik, takut, senang, netral, sedih, dan terkejut. Skema DBN- DNN dimensi penuh, berhasil mendapatkan akurasi pengenalan emosi dasar pada citra wajah dataset MUG sebesar 94.07%, dengan waktu komputasi yang cukup lama yakni 7 jam 13 menit. Berbeda halnya dengan pengenalan DBN- DNN dimensi penuh pada citra wajah dataset CK+ dan MUG, meskipun waktu yang dibutuhkan saat pengenalan cukup singkat yakni 11 menit untuk  CK+ dan 7 menit untuk IMED, akurasi yang didapatkan masih cukup kecil yakni 40.64% untuk CK+ dan 44.43% untuk IMED. Kecilnya akurasi pengenalan CK+ dan IMED, dipengaruhi oleh jumlah data yang kurang banyak, berbeda dengan MUG yang mencapai 9805 data. Sehingga, DBN-DNN kurang optimal dalam melakukan proses pembelajaran pada kedua dataset tersebut, CK+ dan IMED. Sedangkan, pada skema DBN-DNN dimensi tereduksi, akurasi berhasil meningkat baik untuk pengenalan pada dataset MUG, CK+ dan IMED. Akurasi pengenalan pada MUG mencapai 94.75%, CK+ 52.84%, dan IMED 56.58%. Waktu komputasi yang diperlukan dalam pengenalan pun juga lebih efisien khususnya pada dataset MUG, menjadi 3 jam 45 menit termasuk proses reduksi dimensi SVD di dalamnya. Hal ini berbeda untuk dua dataset lain, CK+ dan IMED, keduanya membutuhkan waktu cukup lama untuk proses reduksi dimensi karena SVD menggunakan jumlah dimensi 16384 untuk mendekomposisi matriks. Namun, jika waktu yang digunakan untuk proses DBN-DNN nya saja relatif lebih singkat dari DBN-DNN dimensi penuh, yakni 2 menit untuk CK+ dan 1 menit untuk IMED.

 

---

Facial emotion recognition using facial expression has been popular in these past years. There are many machine learning methods used for recognition tasks.  Currently, the most robust method for this domain is deep learning. One type of deep learning method that can be used is the deep belief network – deep neural network (DBN-DNN). Although DBN-DNN has been used for recognizing CIFAR-10 and MNIST datasets, it has not yet been used for facial emotion recognition. Hence, in this research, we attempt to use the DBN-DNN for recognizing facial emotions. This research consists of two experimental schemes, DBN-DNN with full dimension and DBN-DNN with the reduced dimension. The result of these experiments shows that using the MUG facial emotion dataset, DBN-DNN has successfully recognized 7 (seven) classes of basic emotions, angry, disgust, fear, happy, neutral, sadness, and surprise. DBN- DNN with full dimension has successfully reached 94.07% accuracy for recognizing 7 ( seven) basic emotions from the MUG dataset, even the run time needed is not efficient, 7 hours and 13 minutes. Meanwhile, the CK+ dan IMED dataset is not quite good at accuracy, even the run time is quite short, 11 minutes for CK+ dataset and 7 minutes for the IMED dataset. The accuracy for the CK+ dataset reaches 40,64% and 44.43% for the IMED dataset. This accuracy occurs because of the lack number of data that is processed by DBN-DNN. DBN-DNN is good at a lot of the number of data, like MUG with 9805 data. On the other hand, DBN-DNN with reduced dimension has successfully reached higher accuracy for MUG (94.75%), CK+ (52.84%) and IMED (56.58%) The run time also more efficient, especially on MUG Dataset (3 hours and 45 minutes). But, CK+ and IMED need a longer time for finishing the dimensionality reduction with SVD. Its because the number of dimensions processed by SVD uses a full dimension of the matrix, 16384. Hence, it needs more time to run the SVD. But, the time need for processing DBN-DNN after finishing the SVD, only need 2 minutes for CK+ dataset and 1 minute for IMED dataset.

 

"

"ABSTRAK Pada penelitian ini, penulis mencoba merealisasikan sistem pelacakan ujung-ujung jari yang diperuntukan untuk interaksi yang lebih baik antara manusia dan komputer serta untuk membantu penangkapan gerak jemari tangan guna pembuatan animasi 3D. Pelacakan posisiujung-ujung jari dilakukan dalam dua proses terpisah yakni: (1) pelacakan posisi dua dimensi (2D) vertical dan horizontal atau posisi (, ) dari citra RGB (red, green, blue); (2) pelacakan dimensi ketiga yaitu () dari citra kedalaman atau depth images yang dikalibrasi, yang kemudian disatukan kedalam pelacakan posisi tiga dimensi (, , ) menggunakan Particle Filter (PF).Posisi 2D atau (, ) ditemukan dengan cara menghitung Convex Hull 2D dari citra hasil binerisasi citra asli. Sedangkan posisi 3D ditentukan menggunakan metode Stephane-Magnenat dari citra kedalaman. Setelah itu, masing-masing ujung jari dilacak oleh beberapa pelacak PFsecara simultan dengan teknologi multithreading.Untuk menguji efektifitas sistem yang dikembangkan penulis membuat modul grafika tangan 3D untuk mensimulasikan gerakan tangan hasil pelacakan. Hasil pelacakan ujung-ujung jari ini kemudian juga digunakan untuk mensimulasikan kontrol pembesaran (zoom-in) danpengecilan (zoom-out) yang banyak dilakukan pada interaksi manusia dengan televisi maupun perangkat tablet melalui pembesaran dan pengecilan objek sederhana seperti bola dengan gerakan jemari tangan. Selain itu, penulis juga mengukur tingkat akurasi, overhead waktukomputasi, dan kemampuan untuk beradaptasi terhadap halangan atau occlusion dalam beberapa skenario eksperimen. Penanganan occlusion dilakukan dengan memprediksi gerakan jari menggunakan suatu model linier.Hasil dari penelitian ini menunjukan bahwa PF merupakan metode yang baik dalam melacak yaitu ditunjukan dengan rata-rata error yang rendah, kurang dari 2. Kemudian untuk penangan occlusion didapat rata-rata error kurang dari 3. Selain itu, Kemampuan sistem baik, yaitu dalam merealisasikan informasi pelacakan ujung jari kedalam animasi tangan 3D dan antar muka alami sederhana sebagai uji kasus ditunjukan dengan kemampuan menirukan gerakantangan dan dalam mengontrol operasi zoom in/out.

---

ABSTRACT This research tried to realize a fingertips tracking system for better interaction betweenhuman and computer as well as to assist fingers motion capture for 3D animation building.Fingertips tracking performed in two separate ways, they are: (1) fingertips tracking in 2Dhorizontal and vertical (x, y) position in RGB (red, green, blue) image. (2) tracking in 3rddimension (z) from calibrated depth image, then incorporated in 3D using particle filter (PF). 2Dposition is found by computing 2D convex hull from extracted binary image. other, found byStephane Magnenat approach in depth image. After that, each fingertips is tracked by several PFat once with multithreading technology.To test the effectiveness of developed system, 3D hand graphic module is applied tosimulate tracked hand motion. Then, tracked fingertips is applied to simulate scale control suchas zoom in/out process commonly done in interaction between human and television or tabletthrough simple scaling object at ball using fingertips. In addition, accuracy, time overhead andocclusion handling is added in several scenario. Occlusion handling is performed by predictingfingertip motion in linier model.The result, PF is reliable method in tracking shown at low average error, less from 2.Then in occlusion handling, obtained average error less from 3. Moreover, System ability isreliable in realizing fingertips tracking information into 3D hand animation and simple naturaluser interface (NUI) as case study in this research, shown by proper system motion copy andscaling object abilities."

"Saat ini telah berkembang context aware system yang memungkinkan para penggunanya untuk tidak terlalu banyak melakukan intervensi terhadap tujuan sistem dan menunjang sisi mobilitas dari pengguna. Sistem tersebut dapat memudahkan pengguna untuk melakukan kegiatannya sehari-hari. Dalam bidang kesehatan juga sangat dimungkinkan untuk menggunakan sistem tersebut. TRuST (Temukan Rumah Sakit Terdekat) E-Health Mobile Context Aware System adalah prototipe sebuah context aware system yang dikembangkan untuk mobile device.Sistem ini dapat membantu seseorang yang membutuhkan layanan medis, untuk dapat menentukan dan menunjukan rumah sakit (RS) terdekat dari lokasinya saat itu. RS yang ditemukan oleh TRuST diharapkan dapat memberikan pelayanan medis yang paling sesuai dengan penyakit kronis yang diderita oleh pengguna TRuST. Sistem ini dikembangkan dengan menggunakan teknologi teknologi terbaru yang dikeluarkan oleh Microsoft seperti Windows Mobile 6, Visual Studio 2008, LinQ, dan WCF atau Windows Communication Foundation. TruST juga menggunakan semantic web untuk melakukan reasoning dalam mencari rumah sakit terdekat secara ?cerdas?, sehingga mengurangi intervensi pengguna dengan sistem Laporan ini adalah dokumentasi pengembangan Prototipe TRuST yang mencakup tahap analisis kebutuhan dan ontologi yang digunakan sebagai knowledge base, llalu penjelasan tentang perancangan sistem, proses implementasi dan diakhiri dengan tahap pengujian sistem."

"

Penelitian ini mencari dosen pakar di Fakultas Ilmu Komputer Universitas Indonesia (Fasilkom UI) dengan menggunakan data abstrak dan metadata tugas akhir mahasiswa Fasilkom UI menggunakan teknik information retrieval. Pencarian pakar dilakukan tanpa query expansion dan dengan query expansion. Metode yang digunakan untuk mencari dosen pakar adalah metode berbasis BM25 serta kombinasi antara word2vec dan doc2vec, yang merupakan word embedding dan document embedding. Teknik yang digunakan untuk mengatasi masalah vocabulary mismatch adalah teknik query expansion dengan pendekatan statistik, semantik, serta hybrid. Kontribusi penelitian ini adalah 2 metode baru untuk pencarian pakar tanpa query expansion, 6 jenis kombinasi relasi ontologi berdasarkan concept hierarchy ACM CCS 2012 untuk mengekspansi kueri, serta 14 jenis kombinasi antara metode query expansion berbasis embedding dan ontologi. Evaluasi dari hasil pencarian pakar dilakukan dengan menghitung binary relevance berdasarkan human judgment. Pada penelitian ini, metode pencarian pakar tanpa query expansion dengan hasil yang paling baik adalah metode BM25-sum dengan nilai AP@5 sebesar 0.648. Pencarian pakar dengan berbagai macam jenis query expansion tidak dapat meningkatkan performa retrieval tanpa query expansion secara signifikan, tetapi pencarian dengan query expansion menggunakan metode berbasis embedding, yaitu w2v-w2v memiliki nilai AP@5 sebesar 0.696, yang lebih tinggi dari skor AP@5 dari BM25-sum tanpa query expansion. Pencarian pakar dengan query expansion berbasis ontologi serta hybrid mampu menghasilkan skor AP@5 setinggi 0.664. Skor tersebut tidak setinggi pencarian dengan query expansion dengan w2v-w2v, namun hasilnya lebih baik dari pencarian tanpa query expansion.

---

This research searches for expert lecturers in the Faculty of Computer Science, Universitas Indonesia (Fasilkom UI) with information retrieval techniques using students’ thesis abstract and metadata. The retrieval process is done without and with query expansion. The methods used to find expert lecturers are BM25-based methods as well as combinations between word2vec and doc2vec, which are word embedding and document embedding. We performed query expansion using statistical, semantic, and hybrid approaches to solve vocabulary mismatch problems. This research’s contributions are 2 new methods to retrieve experts without query expansion, 6 types of ontological relations based on the ACM CCS 2012 concept hierarchy to expand queries, and 14 types of combinations between embedding-based and ontology-based query expansion methods. The expert retrieval result is evaluated by calculating binary relevance based on human judgment. Expert search method without query expansion that produces the best result in this research is the BM25-sum method, with an AP@5 score of 0.648. Even though expert retrieval with various query expansion methods does not increase the performance of retrieval without query expansion significantly, the expert search method with embedding-based query expansion method, i.e. w2v-w2v, achieved an AP@5 score of 0.696, which is higher than that of BM25-sum without query expansion. Ontology-based and hybrid query expansion expert search methods managed to score 0.664 for AP@5. This score is not as high as that of w2v-w2v, but the result is still better than that of retrieval without query expansion.

"

"ABSTRAKData besar tidak hanya dilihat dari jumlah sampelnya tetapi juga dapat dilihat dari berapabanyak ciri yang tersimpan di setiap sampel tersebut. Seleksi ciri yang paling representatifadalah tugas penting pada data besar untuk mengurangi dimensi. Metode seleksi ciridapat menjadi solusi untuk mengatasi masalah ini. Pada penelitian ini diterapkan metodepenggabungan seleksi ciri yang terdistribusi secara homogen dengan partisi 2-dimensiuntuk memperbaiki algoritme klasifikasi. Dari hasil eksperimen yang telah dilakukandapat ditarik kesimpulan metode yang dirancang mampu memperbaiki kinerja metodeklasifikasi untuk setiap dataset yang digunakan. Metode yang diusulkan menggunakanpartisi 2-dimensi yang dapat mempercepat proses latih sekaligus memperbaiki kinerjaakurasi. Metode yang diusulkan dapat memperbaiki metode sebelumnya rata-rata 2%untuk dibeberapa dataset dan mempercepat proses hampir 2 kalinya.

---

ABSTRACTBig data is not only seen from the number of its samples but can also be seen from howmany features were stored in each sample. The selection of the most representative feature is an important task in big data analysis in order to reduce the dimension. The featureselection method can be a solution to overcome this problem. In this research, a homogeneous distributed ensemble feature selection method with 2-dimensional partition isused as the feature selection. The results showed that the proposed method can speed upthe training process in addition to improving the classification accuracy. The proposedmethod can improve the accuracy from the standard feature selection method with an increase of 2% for several datasets. In addition, it also speeds up the computation to almosttwo times faster."

"Perkemhangan Internet telah memberi pengaruh besar terhadap peranan sistem informasi dalam suatu organisasi. lnternet menjadi sebuah fondasi dasar untuk pemodelan sistem informasi baru yang serba dijital dan berbasis web. Model sistem informasi baru ini dapat mempermudah pelaksanaan kegiatan akademis di universitas. SIPKOM bertujuan untuk memperlancar pelaksanaan Praktikum Dasar Komputer dan mengatasi berbagai masalah yung dihadapi oleh asisum dan praktikan. Perancangan SIPKOM dibuat dengan DFD dun flowchart. Sistem ini dapat digunakan oleh asisten dan praktikan dengan kemampuan akses yang berbeda, SIPKOM memberikan berbagai fasilitas seperti penyediaan materi, pengaturan bobot soal. penyediaan jawaban daftar absen dan nilai praktikum bagi praktikan yang sewakw-waktu dapat diubah oleh asisten. Selain itu, sistem ini juga memberikan fasilitas penyimpanan file secara otomatis ke server bagi praktikan untuk menghindari kesalahan penamaan file."