Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."

"

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.

 

"

"Virtualization is a term that refers to the abstraction of computer resources on single computer controlled by Virtual Machine Monitor (VMM). Virtualization concept has to sideways, namely platform virtualization and application virtualization. This activity can be used for server consolidation, disaster recovery, validation, and new server testing. This technology can increase the utilization and flexsibility from physical resources to function as multiple logical operating system and application."

"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."

"ABSTRAK Pemilihan prototype menggunakan single prototype memiliki kelemahan dimana daerah yang minor (distribusi datanya sedikit) belum dapat ter-cover dengan baik, sehingga dibutuhkan penggunaan multiple prototype agar data yang memiliki ketersebaran data yang tidak merata pada kelas yang sama dapat terwakilkan. Pada penelitian kali ini, akan diterapkan suatu metode incremental learning yang akan diintegrasikan dengan algoritma FNGLVQ. Metode incremental learning yang digunakan adalah metode random, statis dan dinamis. Metode random dilakukan dengan cara memilih prototype dari luar secara random dengan penetapan jumlah 2,5,10 dan 20 prototype perkelasnya; metode statis dengan memanfaatkan sifat keabuan dari nilai similaritas fuzzy yaitu menggunakan threshold di bawah nilai 0.5, 0.4, 0.3, 0.2 dan 0.1 sebagai kriteria pemasukan prototype sementara untuk metode dinamis juga menggunakan threshold yang diadaptasi dari penelitian (Xu Ye, 2012), namun dalam penelitian ini akan dilakukan penyesuaian mengikuti bentuk prototype yang digunakan yaitu dalam bentuk fuzzy. Dari keseluruhan metode incremental learning ini yang digunakan baik random, statis maupun dinamis, akurasi meningkat sebesar ±3 – 5% dari single prototype. Sementara untuk metode dinamis sendiri memiliki keunggulan di atas rata-rata dari metode random maupun statis baik dalam hal akurasi dan efisiensi jumlah prototype yaitu sebesar 94.78% dengan ±7 buah prototype pada uji data simulasi dengan menggunakan gaussian mixture models.

---

ABSTRACT Selection of prototype using single have a weakness where minor area could not cover well and need multiple prototype for a solution. In this research, incremental learning method will be integrated to FNGLVQ algorithm. Incremental learning method will be used random, static and dynamic. Random method will be selection of prototype from outside system randomly with 2, 5, 10, 20 prototype each class; statis method using threshold based on grey area of fuzzy similarity characteristic with using value under 0.5, 0.4, 0.3, 0.2 and 0.1 as criteria of entering the prototype to the set prototype, while dynamic method using threshold that adaptation from (Xu Ye, 2012), but in this research will be change form of prototype from crisp to fuzzy. From all incremental learning method that used such as random, static and dynamic, accuracy increasing about 3 until 5 % from single prototype. While dynamic threshold have an average superior than random and static method in accuracy andamount of prototype with 94.78% and ±7 prototypes on testing in simulation data using gaussian mixture models."

"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."