Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sebagian besar informasi yang beredar di internet merupakan konten video. Informasi video ini perlu dianalisis karena tidak semuanya yang beredar adalah video dengan konten yang baik. Banyak video dengan konten yang buruk beredar luas di internet dan dapat diakses oleh siapapun yang mengakses internet. Pada penelitian ini, dibuat sistem klasifikasi video pada Youtube dengan metode Symbolic Distance dan Focal Point menggunakan model pemrograman MapReduce pada Hadoop. Sistem klasifikasi ini mengidentifikasi tag yang tersemat pada setiap video di Youtube kemudian dibandingkan dengan matriks co-occurrence untuk mencari nilai symbolic distance pada sebuah video. Penggunaan metode Focal Point pada sistem klasifikasi bertujuan untuk meningkatkan akurasi dan focus untuk klasifikasi video. Dalam penelitian ini diukur juga kecepatan pemrosesan sistem klasifikasi dengan menggunakan Hadoop serta dicari faktor-faktor yang dapat mempengaruhi kecepatan pemrosesan. Untuk itu dilakukan 3 skenario pengujian berdasarkan ukuran InputSplit yang digunakan, jumlah node, serta konfigurasi pada YARN masing-masing dengan 3 ukuran file (500 MB, 1 GB, 1,5 GB) dengan masing-masing jumlah tag sebesar 58718, 119697, dan 160395 tag. Pada file berukuran 500 MB, 1 GB, 1,5 GB, penambahan jumlah node dapat mempercepat kecepatan rata-rata pemrosesan sebesar 0,2 detik, 5 detik, dan 16,3 detik. Kemudian dengan melakukan konfigurasi pada YARN, kecepatan pemrosesan dapat dipercepat hingga 47 detik, 277,1 detik, dan 354,3 detik pada file berukuran 500 MB, 1 GB, 1,5 GB. Dari pengujian juga diketahui semakin kecil InputSplit maka semakin tinggi kecepatan pemrosesan MapReduce. Namun jika mapper tidak dapat menangani jumlah split yang ada, maka kecepatan pemrosesan data akan menjadi lebih lambat dari sebelumnya.

---

Most information that widely spread on the internet is video. This video information needs to be analyze because not all of the information have a good content. There are many video with bad content widely spread on the internet and anyone can access that video easily. In this research, Youtube Video Classification System with Symbolic Distance and Focal Point Method is made using a MapReduce from Hadoop framework. This system identifying the tag that assign in every Youtube video and then compare the tag with co-occurrence matrix to find the symbolic distance value for a single video. Focal Point in this system is useful to improve accuracy and focus of video classification.

This research will measure the processing speed of this classification system and then search the factor that can affect processing speed. For that, three skenarios are implemented based on InputSplit size, amount of node, and YARN configuration with three file size (500 MB, 1 GB, 1,5 GB) with the number of each tag are 58718, 119697, and 160395 tag. For file with 500 MB, 1 GB, and 1,5 GB size, increasing the amount of node from two to three can speed up the process for 0,2 second, 5 second, and 16,3 second. Optimize the YARN configuration can speed up the process for 47 second, 277, 1 second, and 354,3 second for file with size of 500 MB, 1 GB, and 1,5 GB. This Reasearch also discover that if the size of InputSplit is small, then the speed of data processing is faster. But if the mapper can?t handle the amount of the split, it can make the processing speed slower than before."

"Perkembangan teknologi yang cepat memberi dampak yang besar bagi kehidupan manusia. Hal ini mempermudah masyarakat dalam menerima informasi, baik itu informasi positif maupun informasi negatif. Informasi yang tergolong negatif adalah konten video pornografi. Salah satu cara paling efektif untuk melakukan pemblokiran terhadap suatu website adalah bukan dengan memblokir alamat dari website tersebut, melainkan memblokir konten yang bersangkutan, yaitu dengan membaca tag dari konten tersebut, untuk itu penelitian ini dilakukan. Fokus utama dalam penelitian ini adalah untuk menganalisis faktor yang mempengaruhi tingkat akurasi dan menentukan algoritma mana yang lebih tepat untuk melakukan klasifikasi dan memprediksi dari suatu tag video yang diberikan. Penelitian ini diarahkan pada penggunaan machine learning untuk melakukan prediksi terhadap tag video yang diberikan sehingga diperoleh hasil dari prediksi yang dilakukan. Dari penelitian yang telah dilakukan, diperoleh hasil akurasi sebesar 97% untuk algoritma Naïve Bayes dan 97,5% untuk algoritma Bayesian Network dengan jumlah data latih sebanyak 2400 tag video.

---

The rapid technological development had significant impacts to human life. It is easier for the public to receive information, whether it is positive or negative information information. The information classified as negative is pornographic video content. One of the most effective ways to do the blocking of a website is not to block the address of the website, but block the content concerned, by reading the tags on them, therefore this study conducted.

The main focus of this research is to analyze the factors affecting the level of accuracy and determine which is more appropriate algorithms to classify and predict from a given video tag. This research is directed at the use of machine learning to predict the video tag is given in order to obtain the results of the predictions made. From the research that has been conducted, the results obtained an accuracy of 97% for the Naïve Bayes algorithm and 97.5% for the Bayesian Network algorithm with the amount of training data as many as 2400 video tag"

"Sistem rekomendasi adalah sebuah teknik untuk menyediakan saran terkait suatu hal yang dapat dimanfaatkan oleh pengguna. Saran dapat berupa produk maupun jasa yang ditawarkan. Saran yang diberikan adalah produk atau jasa yang belum pernah digunakan atau dibeli oleh pengguna tersebut. Sistem rekomendasi, khususnya dengan menggunakan K-Nearest Neighbor KNN , mencapai kesuksesan pada beberapa akhir tahun ini.Penelitian ini akan diimplementasikan K-Nearest Neighbor pada komputasi terdistribusi yaitu MapReduce untuk merancang sistem rekomendasi dengan menggunakan Item Based Collaborative Filtering IBCF dan User Based Collaborative Filtering UBCF pada dataset Movielens 100k. Penelitian akan menggunakan beberapa komputasi penghitung kesamaan yaitu Cosine Based Similarity, Pearson Correlation Similarity dan Euclidean Distance.Hasil percobaan yang didapat adalah algoritma Euclidean Distance menghasilkan performa terbaik dalam waktu proses dan nilai keakuratan. Pada pendekatan IBCF, Euclidean Distance membutuhkan waktu proses dengan rata-rata 13 sekon dan nilai korelasi sebesar 0.84. Sedangkan pada UBCF, Euclidean Distance membutuhkan waktu proses dengan rata-rata 32 sekon dan nilai korelasi sebesar 0.84.

---

Recommender system is a technique to provide suggestions related to a thing that can be used for user. Suggestions can be products and services offered. The advice given is a product or service that has never been used or purchase by the user. The recommendation system, especially by using K Nearest Neighbor KNN , achieving success in several year.

This research will be implemented K Nearest Neighbor at distributed process that called MapReduce to arrange system by using Item Based Collaborative Filtering IBCF and User Based Collaborative Filtering UBCF on Movielens 100k dataset. The research will use several techniques to compute similarities such as Cosine Based Similarity, Pearson Correlation Similarity and Euclidean Distance.

The result of the experiment is Euclidean Distance algorithm give the best performance in process time and correlation. In the IBCF approach, Euclidean Distance takes process around 13 seconds and correlation value is 0.84. And at UBCF, Euclidean Distance takes processing time around 32 seconds and correlation value is 0.84."

"Sistem profiling kendaraan, telah dibuat untuk mendeteksi golongan kendaraan yang melewati pintu tol berdasarkan jumlah roda. Sistem dilengkapi oleh 64 transmitter dan receiver infra merah. LED infra merah digunakan sebagai transmitter dan TSOP 34838 sebagai receiver. Sedangkan mikrokontroler yang digunakan dalam sistem ini adalah ATMega8535. Data dari receiver dibaca oleh mikrokontroler, lalu dikirim ke PC untuk kemudian ditampilkan melalui GUI (Graphical User Interface) yang dibuat dengan bahasa pemrograman LabVIEW. Sistem didesain agar dapat menghasilkan profil tampak samping kendaraan dan menggolongkan kendaraan dalam golongan 1, 3, 4 atau 5. Hasil yang ditampilkan pada GUI LabVIEW berupa profil serta informasi tentang kendaraan yang lewat, diantaranya golongan, biaya yang harus dibayarkan, serta waktu lewatnya kendaraan tersebut.

---

Vehicle profiling system has been designed in order to classify vehicle that passes through freeway gates based on the amount of the wheels. This system is equipped with 64 transmitters and receivers. Microcontroller will collect data from receiver then send it to PC. The data will be processed and displayed via GUI (Graphic User Interface) with LabVIEW. LabVIEW was used as the user interface display. The system was designed to produce an image of vehicle’s side profile and classify the vehicle within group 1, 3, 4, or 5. LabVIEW as GUI will display vehicle image and information about the vehicle’s class, the amount of fees to be paid, as well as the time when the vehicle passes the sensor."

"Komputasi terdistribusi merupakan salah satu kemajuan teknologi dalam mengolah data. Penggunaan komputasi terdistribusi memudahkan user untuk mengolah data menggunakan beberapa komputer yang secara fisik terpisah atau terdistribusi. Salah satu teknologi yang menggunakan konsep komputasi terditribusi adalah Hadoop. Hadoop merupakan framework software berbasis Java dan open source yang berfungsi untuk mengolah data yang memiliki ukuran yang besar secara terdistribusi. Hadoop menggunakan sebuah framework untuk aplikasi dan programming yang disebut dengan MapReduce. Enam skenario diimplementasikan untuk menganalisa performa kecepatan MapReduce pada Hadoop. Berdasarkan hasil pengujian yang dilakukan diketahui penambahan jumlah physical machine dari satu menjadi dua physical machine dengan spesifikasi physical machine yang sesuai perancangan dapat mempercepat kecepatan rata-rata MapReduce. Pada ukuran file 512 MB, 1 GB, 1.5 GB, dan 2 GB, penambahan physical machine dapat mempercepat kecepatan rata-rata MapReduce pada masing-masing ukuran file sebesar 161.34, 328.00, 460.20, dan 525.80 detik. Sedangkan, penambahan jumlah virtual machine dari satu menjadi dua virtual machine dengan spesifikasi virtual machine yang sesuai perancangan dapat memperlambat kecepatan rata-rata MapReduce. Pada ukuran file 512 MB, 1 GB, 1.5 GB, dan 2 GB, penambahan virtual machine dapat memperlambat kecepatan rata-rata MapReduce pada masing-masing ukuran file sebesar 164.00, 504.34, 781.27, dan 1070.46 detik. Berdasarkan hasil pengukuran juga diketahui bahwa block size dan jumlah slot map pada Hadoop dapat mempengaruhi kecepatan MapReduce.

---

Distributed computing is one of the advance technology in data processing. The use of distributed computing allows users to process data using multiple computers that are separated or distributed physically. One of technology that uses the concept of distributed computing is Hadoop. Hadoop is a Java-based software framework and open source which is used to process the data that have a large size in a distributed manner. Hadoop uses a framework for application and programing which called MapReduce. Six scenarios are implemented to analyze the speed performance of Hadoop MapReduce. Based on the study, known that the additional the number of physical machines from one to two physical machines with suitable specifications design can speed up the average speed of MapReduce. On file 512 MB, 1 GB, 1.5 GB, and 2 GB size additional the number of physical machines can accelerate MapReduce average speed on each file size for 161.34, 328.00, 460.20, and 525.80 seconds. Meanwhile, additional the number of virtual machines from one to two virtual machines with suitable specifications design can slow down the average speed of MapReduce. On file 512 MB, 1 GB, 1.5 GB, and 2 GB size, additional the number of virtual machines can slow down the average speed of each MapReduce on a file size for 164.00, 504.34, 781.27, and 1070.46 seconds. Based on the measurement result is also known that the block size and number of slot maps in Hadoop MapReduce can affect speed."

"Kebutuhan akan aplikasi multimedia telah dirasakan oleh para mahasiswa Fakultas Teknik Universitas Indonesia saat ini. Untuk memanfaatkan aplikasi multimedia berbasis web pada jaringan Internet, dukungan kinerja jaringan Internet yang baik diperlukan karena ketersediaan bandwidth yang cukup besar dibutuhkan oleh aplikasi multimedia terutama untuk layanan video streaming. Oleh karena itu, pada skripsi ini dilakukan pengujian kinerja jaringan Internet di lingkungan Fakultas Teknik Universitas Indonesia untuk mengetahui tingkat kelayakan jaringan dalam mengakomodasi implementasi aplikasi multimedia yang umum digunakan terutama pada layanan video streaming berbasis web. Hasil pengujian menunjukkan bahwa video bit rate dan streaming throughput memiliki hubungan yang linier dengan packet loss pada jaringan Internet FTUI. Rata-rata packet loss yang diperoleh relatif kecil, yaitu tidak lebih dari 0.13%. Dengan demikian, FTUI sudah dapat dikatakan sebagai kampus yang memiliki jaringan Internet yang mampu mendukung aplikasi multimedia video streaming berbasis web.

---

Recently, the necessity of multimedia applications has been acknowledged by the students of Engineering Faculty of Universitas Indonesia. To take full advantage of web-based multimedia applications, an Internet-based network with good performance is necessary due to the necessity of sufficient bandwidth for multimedia applications, especially video streaming services. Therefore, in this final paper a measurement of Internet-based networks performance in FTUI has been held to obtain information about networks robustness in accomodating common multimedia applications implementation especially the web-based video streaming services. The measurement result shows linear relationship between video bit rate and packet loss as well as linear relationship between streaming throughput and packet loss. Average packet loss is less than 0.13% which is relatively small. In conclusion, FTUI still has capable Internet-based networks to support web-based video streaming multimedia applications."

"Saat ini, video call sudah tidak asing lagi digunakan dalam sehari-hari. Layanan video call tersebut diberikan oleh banyak layanan aplikasi OTT seperti WhatsApp, Line dan aplikasi berbasi client-server lainnya. Jumlah layanan video call berbasis end-to-end atau peer-to-peer seperti VoIP jauh lebih sedikit daripada layanan video call berbasis client-server. Hal tersebut dikarenakan adanya limitasi yang dirasakan baik oleh developer maupun user. Developer harus mengeluarkan biaya besar untuk membangun sistem VoIP, sedangkan user harus mempunyai perangkat khusus untuk bisa menggunakan layanan VoIP. Limitasi ini mampu ditangani oleh standar baru yaitu WebRTC yang menggabungkan teknologi web dengan VoIP, sehingga menghasilkan teknologi komunikasi baru yaitu komunikasi peer-to-peer berbasis web yang dapat dibangun dengan biaya yang jauh lebih rendah dan tidak membutuhkan perangkat khusus dalam penggunaannya.

---

Nowadays, video call are commonly used in daily life. The video call service is provided by many OTT application services such as WhatsApp, Line, and other client server based applications.The number of end to end or peer to peer video call service like VoIP are lesser in number than client server based video call service, due to the limitation felt by both developer and user. Developer have spend a large sum of money to build VoIP system, while user must have a special equipment to be able using VoIP service. The new standard WebRTC could overcome this limitation by incorporating web techologies with VoIP, which create new communications technology that is web based peer to peer communications that can be built with cheaper cost and does not require a special equipment to be used."

"Internet telah menjadi salah satu teknologi yang tidak bisa dipisahkan lagi dari kehidupan masyarakat modern. Penggunaan internet telah masuk ke seluruh lapisan masyarakat. Karena sifatnya yang serbaguna, internet telah menjadi salah satu infrastruktur paling esensial di dunia. Banyaknya pengguna akan menimbulkan pihak yang tidak bertanggung jawab. Mereka merupakan individu yang menyalahgunakan internet sebagai media untuk melakukan serangan siber demi mengeksploitasi pihak lain. Penyerang akan menggunakan berbagai metode untuk melakukan eksploitasi. Salah satu metode yang paling sering digunakan oleh penyerang adalah dengan mengirimkan serangan siber. Oleh karena itu, kita harus melindungi sistem kita dari serangan siber. Langkah pertama dapat kita lakukan adalah mengidentifikasi serangantersebut berdasarkan karakteristiknya. Namun untuk membedakannya dari traffic normal, dibutuhkan data yang bisa kita dapatkan dari konsep honeypot yang memancing penyerang untuk melakukan serangan dan mengirimkan data serangan. Untuk melakukan identifikasi secara satu per satu merupakan hal yang sulit dilakukan secara manual.dapat. Namun, hal ini dapat dimudahkan dengan menggunakan artificial intelligence untuk identifikasi pada skala besar. Oleh karena itu, penelitian ini dilakukan untuk membahas penggunaan artificial intelligence yaitu algoritma random forest untuk identifikasi serangan siber yang dikumpulkan melalui honeypot. Hasil penelitian menunjukkan bahwa algoritma random forest dapat memberikan hasil prediksi tipe serangan terbaik dengan parameter jumlah pohon 100 dan tanpa batas kedalaman sebesar 99,48% pada data yang dikumpulkan dengan TPOT.

---

The Internet has become an inseparable technology from modern society. The use of the internet has reached all layers of society. Due to its versatile nature, the internet has become one of the most essential infrastructures in the world. The large number of users also gives rise to irresponsible individuals who misuse the internet as a medium for cyber attacks to exploit others. Attackers employ various methods to carry out their exploitations. One of the most used methods by attackers is launching cyber attacks. Therefore, we need to protect our systems from these cyber attacks. The first step we can take is to identify the attacks based on their characteristics. However, distinguishing them from normal traffic requires data that we can obtain from a honeypot, which lures attackers to launch attacks and collects attack data. Performing manual identification one by one is a difficult task. However, this can be facilitated by using artificial intelligence for large-scale identification. Hence, this research is conducted to discuss the use of artificial intelligence, specifically the random forest algorithm, for identifying cyber attacks collected through a honeypot. The research results show that the random forest algorithm can provide the best prediction results for attack types with a parameter of 100 trees and no depth limit, achieving an accuracy of 99.48% on the data collected using TPOT."

"PowerPoint application has become learning first choice at the presentation session. However, this type of application is not effective enough to be used of the class since the students only know the general point of the learning content. Therefore PowerPoint needs a media to help lecturer present more detail of the learning content. This media is video. Employing video, lecturer records whole session activities, and then play it simultaneously with PowerPoint n presentation and hence, anybody else could review the whole content of learning Video-Multimedia Presentation Synchronization System (ViMPreSS) is a Content Management System (CMS) that uses SMIL to synchronize and integrate PowerPoint presentation and video files. This paper describes ViM'PreSS, its architecture, design, and its performance evaluation. Performance evaluation tests show that the time required to upload presentation and video files does not correlate linearly with the size of the files. One of the factors which influences this result is competition between clients to access the server. User evaluation tests also point out that user acceptance level to the system on average is 75% evaluation."

"Video streaming saat ini menjadi teknologi yang mempermudah kita dalam mendapatkan informasi dalam bentuk tampilan video. Semakin interkatif sebuah video, user akan mendapatkan informasi lebih banyak. Pada penelitian ini dibuat sebuah sistem video streaming yang interaktif yaitu video clickable dengan menggunakan HTML5. Untuk mengetahui kualitas dari video interaktif ini, maka sistem ini akan diuji QoS nya yaitu delay dan jitter, kemudian dibandingkan dengan video streaming biasa. Pada pengukuran TCP dan HTTP menunjukan bahwa terjadi peningkatan delay sebesar 31.99% dari delay video streaming biasa sehingga menyebabkan delay semakin lama. Namun delay video clickable masih dalam standar delay yang baik karena di bawah 150 ms. Sedangkan pada pengukuran jitter, terjadi penurunan jitter sebesar 13.21% dari jitter video streaming biasa. Namun jitter video streaming biasa masih dalam standar jitter yang baik karena diantara 0-75 ms. Dari hasil survey menggunakan kuisioner, diperoleh nilai uji antarmuka dari keseluruhan sistem 4.32 dari nilai maksimal 5. Uji fungsionalitas sistem secara keseluruhan sudah berfungsi dengan baik. Pengujian terhadap browser yang berhasil mengakses halaman Web dengan baik adalah IE, Chrome dan Safari.

---

Nowadays, streaming video is becoming a technology that facilitate us to get information easier from video. More interactive the video is, more infomation that user will get. In this research, created an interactive streaming video, especially clickable video using HTML5. To know quality of interactive video, system will tested for its QoS that are delay and jitter.

In TCP and HTTP measurement, the enhancement delay of clickable video up to 31.99% from common streaming video so it is cause the delay time longer. However, the delay of clickable video still in a good standard of delay, because it is under 150 ms. On the other hand, in jitter measurement, the increased jitter of clickable video up to 13.21% from the common jitter streaming video. But, the normal condition of jitter streaming video still in a good standard for jitter, because it is between 0-75 ms.

From the survey that using questionnaire, the score of interface get 4.32 from the overall system of maximum score 5. Functionality test from the whole system are well functioning. Testing of the browser to access web pages successfully are IE, Chrome and Safari."