Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKDalam kurun waktu lebih dari dua dekade terakhir, deteksi anomali menjadi salah satu topik yang menarik bagi para peneliti untuk dikembangkan. Collaborative-Representation-Based Detector (CRD) merupakan salah satu metodologi deteksi anomali yang berhasil dikembangkan. CRD melakukan aproksimasi masing-masing piksel pada background yang direpresentasikan oleh piksel-piksel tetangga, sementara itu piksel anomali tidak bisa direpresentasikan sama seperti piksel yang lainnya. Citra yang dihasilkan dari metodologi ini tergolong baik, karena mampu mendeteksi piksel anomali dengan cukup akurat. Kelemahannya adalah, citra hasil deteksi yang dihasilkan cenderung memperlihatkan banyak piksel yang sebenarnya bukan anomali walaupun dengan nilai intesitas yang sangat kecil. Penerapan threshold penyesuaian Root-Mean pada penelitian ini akan melakukan filter terhadap piksel-piksel pengganggu yang tidak diinginkan pada citra hasil proses CRD tersebut sehingga memberikan hasil yang lebih memuaskan. Dari sembilan data yang digunakan pada penelitian ini, hampir semua data menunjukan perbaikkannya setelah dilakukan filter dengan threshold RM.

---

ABSTRACT

Over the last two decades, anomaly detection is one of most interesting topics to develop for researchs. Collaborative-Representation-Based Detector (CRD) becomes one of the methodologies that was successfully developed. In CRD, each pixel in background can be approximately represented by its spatial neighborgoods, while anomalies cannot. The output image of this methodology can be categorized as good enough because it can detect the anomalies pixel accurately. However, the output image tend to show us there are many normal pixels around the anomaly pixel, although in very low intensity. Implementation of Root-Mean Adjustment threshold in this research will filter that unexpected pixel to obtain the statisfactory results. To compare performences of Root-Mean Adjustment threshold. Most of the nine Data show us that its unexpected can be filtered and show the better results.

"

"ABSTRAK

Pada tesis ini diajukan sebuah metode baru untuk pendeteksian anomali pada citra hiperspektral, bernama algoritma morphological profile dan attribute filter. Metode ini terdiri dari tiga langkah. Pertama, menyeleksi sebuah pita spektral yang mengandung banyak informasi untuk pendeteksian anomali menggunakan sebuah algoritma baru berbasis entropi dan histogram count. Kedua, menghapus background pada pita spektral yang telah diseleksi menggunakan morphological profile. Kemudian memfilter false anomali menggunakan attribute filter. Sebuah algoritma baru juga diajukan pada tesis ini untuk menentukan luas maksimum area anomali. Eksperimen yang telah dilakukan dengan dataset citra hiperspektral riil menunjukkan bahwa metode yang diajukan memiliki rata-rata AUC sebesar 0.9916, lebih bagus dari metode FrFE-RX, AED, dan SDBP-D yang memiliki rata-rata AUC secara berturut-turut sebesar 0.9657, 0.9757, dan 0.9872. Metode yang diajukan pada tesis ini memiliki rata-rata waktu komputasi sebesar 0.25 detik, lebih cepat dari metode FrFE-RX, AED, dan SDBP-D yang memiliki rata-rata waktu komputasi secara berturut-turut sebesar 31.37, 0.55, dan 3667.2 detik.

---

ABSTRACT

In this thesis, a novel hyperspectral anomaly detection method, called morphological profile and attribute filter algorithm, is proposed. This method consists of three steps. First, select a band containing rich information for anomaly detection using a novel band selection algorithm based on entropy and histogram counts. Second, remove the background of the selected band with morphological profile. Then, filter the false anomaly with attribute filter. A novel algorithm is also proposed in this thesis to define the maximum area of anomalous objects. Experiments conducted on real hyperspectral datasets show that the average AUC of the proposed method is 0.9916, better than the average AUC of FrFE-RX, AED, and SDBP-D methods which are 0.9657, 0.9757, and 0.9872, respectively. Moreover, the average computing time of the proposed method is 0.25 seconds, faster than the average computing times of FrFE-RX, AED, and SDBP-D which are 31.37, 0.55, dan 3667.2 seconds, respectively."

"Kemajuan teknologi kini mengizinkan manusia untuk mengambil gambar citra termal yang memiliki kemampuan untuk menerima citra termal tanpa perlu adanya cahaya tampak. Hal ini membuat manusia dapat melihat dalam gelap akibat pancaran benda-hitam dari benda-benda yang menghasilkan panas. Dengan menggunakan algoritma Single Shot Detector, dapat dilakukan deteksi objek berupa manusia untuk membedakan laki-laki dengan perempuan. Model SSD dengan berbagai arsitektur seperti MobileNetV1, MobileNetV2 dan ResNet50 digunakan untuk menguji kemampuan deteksi objek kamera termal terhadap kemampuan deteksi objek pada kamera berwarna. Arsitektur model kamera termal dengan nilai mAP dan AR@1 dengan data pengujian terbaik adalah ResNet50 dan untuk arsitektur model deteksi objek kamera berwarna terbaik adalah MobileNet V1 .Kamera termal unggul dalam melakukan deteksi di seluruh rentang kondisi pencahayaan namun kamera berwarna hanya mampu melakukan deteksi di atas intensitas cahaya 42 lux.Kamera berwarna unggul dalam melakukan deteksi dengan nilai inferensi terbaik berada di antara 3 – 15m sedangkan kamera termal memiliki jarak efektif melakukan inferensi di antara 3 – 10m.

---

The advancement in imaging technology has come to an era where cameras are now able to capture infrared images. This advancement causes cameras to be able to capture without any visible light spectrum and receive image under the dark due to the black-body radiation phenomena. In conjunction with Single Shot Detector algorithm, it is now possible to detect and clasify thermal images into classes to recognize the gender of a human being as a male or female. The architecture used in the models are MobileNetV1, MobileNetV2 and ResNet50 which are then trained using a custom dataset of thermal images and colour images. The testing dataset shows that ResNet50 is the model with the highest mAP and AR@1 score for thermal model and MobileNetV1 is the model with the highest mAP and AR@1 score for colour model. The other test with varying object distance and varying light instensity shows that thermal image detection models are able to detect object at all lighting condition while the colour image models are only able to detect object above 42 lux. Colour detection models are better at detecting objects at a longer distance from the camera from a distance of 3 – 15 m while the termal models are able to do inference effectively from a distance of 3 – 10 m."

"Seiring dengan perkembangan teknologi komunikasi data yang tinggi, permasalahan yang dihadapi pun semakin bervariasi. Salah satu permasalahan yang sering dialami adalah cyber attack, permasalahan ini dapat mengakibatkan kerugian tidak hanya informasi yang bocor, namun juga kerugian secara finansial yang diakibatkan dari transaksi illegal yang memanfaatkan informasi pribadi pengguna yang bocor, serta kerugian lainnya. Dengan adanya permasalahan ini, penulis berinisiatif dalam mengusung model deteksi anomali berdasarkan dataset NSL-KDD menggunakan machine learning model XGBoost dengan Optuna Tuning. XGBoost merupakan machine learning model yang mampu mengatasi overfitting pada simulasi yang diusulkan, dengan kombinasi Optuna Tuning, model machine learning yang diusung mampu bekerja efisien akibat dari adanya optimasi hyperparameter secara otomatis. Kinerja model yang diusulkan penulis berhasil mendapatkan akurasi 99,56%, dengan nilai precision 98,16%, nilai recall 99,82%, dan untuk nilai f-1 score 99,61%. Berdasarkan hasil simulasi tersebut menunjukkan bahwa model yang diusulkan penulis berhasil mendeteksi adanya anomali pada trafik serta memiliki sensitivitas yang tinggi.

---

Along with the development of high data communication technology, the problems faced are increasingly varied. One of the problems that is often experienced is in form of cyber attacks, this problem affected to losses, not only leaked information which occred, but also financial losses caused by illegal transactions that utilized by using user personal information, as well as other losses. In concern of facing this problem, the author takes an initiative in carrying out an anomaly detection model based on the NSL-KDD dataset using XGBoost, machine learning model with Optuna Tuning. XGBoost is a machine learning model that is able to overcome overfitting in the proposed simulation, with a combination of Optuna Tuning, this machine learning model is able to work efficiently due to automatic hyperparameter optimization. That statement is proven by the performance of the model succesfully manage to get an accuracy of 99.56%, with a precision value of 98.16%, a recall value of 99.82%, and for an f-1 value of 99.61%. Based on the results of the simulation, it shows that the model proposed by the author has successfully detected anomalies in traffic and has a high sensitivity"

"ABSTRAKDeteksi anomali merupakan solusi bagi operator seluler untuk mengatasi sulitnya kontrol kualitas terhadap penggunaan telepon seluler yang marak. Sistem pemantauan jaringan telekomunikasi dengan deteksi anomali memungkinkan penemuan masalah segera sebelum menjadi kompleks. Sistem pemantauan meliputi proses manajemen dan pengolahan data, visualisasi, serta analisis deteksi anomali dilakukan dengan berbagai modul ELK. Penelitian mengimplementasikan integrasi jaringan telekomunikasi dengandeteksi anomali untuk membentuk sistem pemantauan cerdas.Sistem diujicobakan menggunakan lingkungan kerja yang nyata. Lingkungan kerja tersebut bersifat portabel karena hanya menggunakan sebuah komputer dengan menerapkan emulator. OpenAirInterface (OAI) merupakan alternatif membentuk jaringan telekomunikasi seluler secara portabel dengan bantuan perangkat USRP B210 yang dapat mengimplementasikan sinyal radio secara fleksibel. Jaringan telekomunikasi dalam penelitian ini mengimplementasikan berbagai elemen dalam teknologi LTE seperti HSS, MME, SGW, PGW, eNB, dan UE untuk menghasilkan data real-time yang diteruskan ke ELK.Penelitian yang dikembangkan mampu mengimplementasikan sistem pemantauan dengan deteksi anomali yang memiliki keakuratan rata-rata sebesar 91,5%. Analisis tersebut didukung rata-rata nilai proporsi dari keadaan normal yang diprediksi dengan benar sebesar 99,31%. Di sisi lain, sistem tetap dapat mempertahankan fungsionalitas darijaringan telekomunikasi seluler dengan predikat sangat baik pada kualitas layanan.

---

ABSTRACTAnomaly detection is a solution for cellular operators to overcome the difficulty of quality control over the proliferation of cellular phone usage. The telecommunications network monitoring system with anomaly detection enables immediate discovery of problems before they become a complex one. The monitoring system includes the process of data management and processing, visualization, and anomaly detection analysis performed with various ELK modules. Our research implements the integration of telecommunications networks with anomaly detection to form an intelligent monitoring system.The system was tested using a real work environment. The work environment is portable because it only uses a computer by implementing an emulator. OpenAirInterface (OAI) is an alternative to forming cellular telecommunications networks in a portable manner with the help of USRP B210 devices that can implement radio signals flexibly. The telecommunications network in this study implements various elements in LTE technology such as HSS, MME, SGW, PGW, eNB, and UE to produce real-time data that is forwarded to ELK.We implemented a monitoring system with an anomaly detection mechanism which has an average accuracy of 91.5%. This analysis is supported by an average value of the proportion of normal conditions that is correctly predicted at 99.31%. On the other hand, the system can still maintain the functionality of the cellular telecommunications network with an excellent predicate on service quality."

"COVID-19 merupakan penyakit yang telah menjadi pandemi pada tahun 2020. Penyakit ini dinyatakan sebagai pandemi karena menjadi wabah yang sangat luas hingga seluruh dunia terpapar. Dalam usaha penekanan penyebaran penyakit COVID-19, banyak peneliti yang menerapkan deep learning untuk mendeteksi penyakit ini. Convolutional Neural Network(CNN) merupakan jenis deep learning yang paling banyak digunakan untuk usaha mengklasifikasi citra X-ray paru-paru. Algoritma yang dikembangkan pada penelitian ini menggunakan deep learning dengan model CNN ResNet152v2 dengan Python untuk bahasa pemrogramannya serta Keras Tensorflow sebagai API. penelitian ini melakukan beberapa ekperimen untuk meningkatkan akurasi dan performa dengan memvariasikan dataset serta parameter seperti epoch, batch size, optimizer. Performa terbaik didapatkan dengan pengaturan parameter pada jumlah dataset 3000, epoch 15, batch size 16, dan optimizer Nadam dengan nilai akurasi hingga 96%. Hasil akurasi ini merupakan peningkatan yang didapatkan penelitian terdahulu yang menggunakan model VGG16 dengan akurasi hingga 92%.

---

COVID-19 is a disease that has become a pandemic in 2020. This disease is declared a pandemic because it is an epidemic that is so widespread that the entire world is exposed. In an effort to suppress the spread of the COVID-19 disease, many researchers have applied deep learning to detect this disease. Convolutional Neural Network (CNN) is a type of deep learning that is most widely used to classify X-ray images of the lungs. The algorithm developed in this study uses deep learning with the CNN ResNet152v2 model with Python for the programming language and Keras Tensorflow as the API. This study conducted several experiments to improve accuracy and performance by varying the dataset and parameters such as epoch, batch size, optimizer. The best performance is obtained by setting parameters on the number of datasets 3000, epoch 15, batch size 16, and optimizer Nadam with an accuracy up to 96%. The result of this accuracy is an improvement obtained from previous studies using the VGG16 model with an accuracy of up to 92%."

"Telekomunikasi selalu mengalami perkembangan yang pesat, baik dari sisi teknologi maupun jumlah penggunanya. Namun hal ini juga diikuti dengan permintaan kapasitas yang terus meningkat, sementara spectrum frekuensi yang tersedia juga terbatas. Untuk mengatasi masalah tersebut, smart antenna dengan menggunakan sistem beamforming mulai dikembangkan. Secara mendasar, terdapat dua tipe dari sistem smart antenna, yaitu switched beam dan adaptive array. Sistem switch beam telah banyak dikembangkan karena dalam impelementasinya sederhana dan lebih ekonomis dibandingkan sistem adaptive array. Tidak seperti sistem adaptive array, sistem switch beam hanya terdiri dari beberapa elemen peradiasi, jaringan pembentuk beam, dan RF switch sementara sistem adaptive array membutuhkan operasi dan pemrosesan sinyal yang lebih rumit.Fokus skripsi ini adalah pada perancangan algoritma untuk sistem pengendali beamforming. Microcontroller diprogram untuk mengendalikan rangkaian switching yang terhubung pada antena susun yang terintegrasi dengan rangkaian butler matriks. Sistem pengendali bekerja dengan melakukan komparasi tegangan analog yang diterima oleh antena terhadap tegangan threshold.Hasil pemrograman menunjukkan bahwa microcontroller sudah dapat melakukan penghitungan tegangan threshold secara otomatis dan melakukan komparasi nilai input dengan nilai threshold. Hasil keluaran dari microcontroller tersebut berupa nilai digital dengan keluaran sebanyak 4 port sehingga terdapat 15 kombinasi. Hasil algoritma diuji dengan proses integrasi menggunakan antena butler matriks beserta elemen-elemen pendukung ke rangkaian switching.

---

Telecommunication is always experiencing fast development, both in terms of technology also the number of users. However, it is also followed by increasing of capacity demand, but the available frequency spectrum is also limited. To resolve these problems, a smart antenna that using beamforming system has developed. Smart antenna system has two types, there are switched beam and adaptive array. Beam switch system has been developed because simpler in its implementation and more economical than the adaptive array system. Unlike the adaptive array systems, beam switch system consists of some radiating elements, beamforming network, and RF switches while adaptive array system requires components and signal processing which more complicated.

This research is focusing on the design of algorithms for the beamforming control system. Microcontroller is programmed to control the switching circuit which connected to the antenna array is integrated with the butler matrix circuit. Control systems will compare the analog voltage received by the antenna to the threshold voltage.

The result of programming is shown that the microcontroller is able to calculate the threshold voltage automatically and comparate the input value with the threshold value. The output of the microcontroller is a digital value with 4 ports output so there are 15 combinations. The result of algorithm is tested by integration process using matrix butler antenna and switching circuit supporting elements."

"Senyawa adenosin fosfat bervariasi jumlah gugus fosfatnya yakni adenosin monofosfat (AMP), adenosin difosfat (ADP) dan adenosin trifosfat (ATP). Untuk mendeteksi ketiga jenis senyawa secara simultan, dikembangkan sistem elektroforesis menggunakan detektor elektrokimia dengan elektroda boron-doped diamond. AMP, ADP dan ATP dalam bufer fosfat pH 7 memiliki kesamaan potensial oksidasi sekitar +0,93 Volt (vs. Ag/AgCl). Potensial yang sama juga ditemukan pada oksidasi adenin dan adenosin, yang mengindikasikan bahwa reaksi oksidasi terjadi pada gugus adenin. Elektroforesis kapiler dilakukan menggunakan kapiler fused silica(d: 0,05 mm). Dengan mengaplikasikan potensial 10 Kvolt, AMP, ADP dan ATP dapat dipisahkan dengan waktu retensi berturut-turut 1439 detik, 1202 detik dan 848 detik. Linieritas dapat dicapai untuk ketiga senyawa tersebut dengan batas deteksi beruturut-turut yakni 0,5946 μM, 0,5619 μM and 1,7795μM. Hasil tersebut menunjukkan bahwa elektroforesis berdetektor elektrokimia dapat digunakan untuk deteksi simultan senyawa adenosin fosfat AMP, ADP dan ATP.

---

Adenosine phosphates were varied with the number of phosphate groups, including adenosine monophosphate (AMP), adenosine diphosphate (ADP), and adenosine triphosphate (ATP). In order to detect them simultaneously, a capillary electrophoresis coupled with electrochemical detection using boron-doped diamond electrode is developed. AMP, ADP and ATP in phosphate buffer pH 7 have similar oxidation potentials at around +0.9 V (vs. Ag/AgCl). This potential is also similar to that of adenin and adenosine, indicated that the oxidation occurred at adenin moiety.

Capillary electrophoresis, which was then performed using fused silica capilar (d: 0,05 mm) at an appied potentials of 10 KVolt can separate the adenosine phosphate AMP, ADP and ATP with the retention times of 848 s, 1202 s, and 1439 s, respectively. Liniear calibration curve can be achieved with the limits of detection of 0,5946 μM , 0,5619 μM and 1,7795μM, respectively the result shows that electrophoresys with electrochemical detector is promising for simultaneous detection of adenine phosphates."

"Dunia pada saat ini membutuhkan metode transportasi untuk menggerakkan orang,atau komoditas. Namun permasalahan yang muncul adalah kemampuan individual untuk mengetahui kinerja kendaraan tersebut terbatas. Sistem indikasi secara umum dapat mendeteksi permasalahan yang muncul namun tidak dapat menganalisa degradasi kendaraan secara umum. Untuk menanggulangi tersebut, perlu didesain sistem yang dapat mendeteksi performa kendaraan secara lebih holistic. Pertama, perlu diambilnya data dari sensor kendaraan, dan kemudian diproses untuk mencari degradasi performa dan anomaly yang muncul. Data tersebut akan dapat disimpan dengan database untuk pengaksesan yang mudah. Dengan menggunakan teknologi machine learning, terutama menggunakan algoritma neural network (NN), dapat dicari relasi-relasi dari informasi yang dapat diterima dari kendaraan untuk menjadi informasi yang dapat diproses oleh pengguna untuk mengambil keputusan. Hasil yang diamati, dalam jangka waktu eksperiment belum ada terdeteksi penurunan performa signifikan. Namun dengan penambahan noise, sistem dapat mendeteksi degradasi atau anomaly pada data.Untuk menampilkan data ke pengguna, sebuah tampilan dasbor digital dapat digunakan. Secara optimal data dapat diambil dari semua lokasi. Untuk menghasilkan ini data web didesain dengan data yang tertransfer dari web ke dasbor mobil.

---

The world today need transportation methods for people and commodities. The problem lies in the capabilities of individuals to have knowledge on the performance of the vehicle will mostly be limited. The problem with common indication systems is that it can’t detect problems before the point of failure. Because of that there is a need to design a system which can detect change in performance and indicate it to users. First data is extracted from automobile sensors, then processed to form connecctions and discern the anomalies and degradation caused by wear. This data, to be more easily accessed, is stored in databases. By using Neural Network Algorithms, the model designed can find relations between informations accepted and convert it to usable information. Although with this system proposed no significant drop in performance was noticed in the available data. Although with added noise, anomalies and degradation may be detected.

To create an interface for users, an interface or digital dashboard may be used. Optimally the data can be observed reliably from every position. To create this a web may be designed with transferable data from web to car dashboard

"

"Berkembangnya teknologi pada bioteknologi berdampak pada banyaknya jumlah data yang harus diolah untuk melakukan analisis dalam pencarian anomali terutama pada data Genomic. Selain pertumbuhan data kebutuhan akan kompleksitas dalam melakukan proses olah data akan mengikuti seiring berkembangnya data genomic. Dengan berkembangnya data dan kompleksitas olah data, Big Data merupakan salah satu solusi untuk mengatasi perkembangan data dan olah data yang cukup kompleks. Dalam penelitian ini membahas bagaimana Big Data dapat melakukan pencarian anomali pada data genomic dengan menggunakan MapReduce dan algoritma BLAST pada platform Big Data. Hasil dari penelitian ini adalah pencarian anomali pada data genomic dapat dilakukan dengan menggunakan mapreduce pada platform big data dengan waktu yang lebih efisien.

---

Biofarma Corp should adopt big data on vaccine and serum development by analyze genomic sequencing using searching any anomaly. As the root problem, it the anomaly searching requires about 1.62 Terabytes data transient as primary data and 301 Gigabytes as secondary data to get analysis from genomic variance. Moreover Biofarma Corp spent 16 hours for one anomaly searching from 3 Terabytes vaccines. This study proposed big data implementation to handle anomaly searching processes by prioritize less time complexity and less spending storage. It was signalized by a research question, "How big data technology is applied in searching anomalies on genomic data". It aimed to implement big data system to facilitate large volume and complex data in order to fulfill business process on Biofarma Corp. It adopted framework architecture as brought by Demchenko, Ngo, and Membrey. This study has designed data flow from FASTA and FATQ as sources for anomalies searching processes. This data flow is facilitated in big data system as designed in this research. As main contribution, this research adopted MapReduce framework to run BLAST algorithm with less spending time. As comparison, MapReduce framework can handle 21, 33, and 55 K-Mer in four minutes respectively while 50 minutes were spent without MapReduce. "