Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian yang dilakukan pada laporan ini ditujukan untuk membuat suatu sistem yang dapat melakukan monitoring performa Wi-Fi, sehingga bila ada salah satu jaringan yang memiliki masalah dapat ditindak lanjuti dengan cepat untuk dianalisis lebih lanjut. Dalam penelitian ini juga ditambahkan peerbandingan kinerja machine learning untuk melakukan prediksi tentang bagaimana traffic wifi dapat berjalan ke depannya. Model machine learning yang dipakai pada penelitian ini adalah linear regression, Extreme Gradient Boost XGB regression, dan Light Gradient Boosting Machine (LGBM) regression. XGB dan LGBM merupakan pengembangan dari Gradient Boosting Decision Tree (GBDT). LGBM menerapkan dua Teknik yaitu Gradient-based One-Side Sampling (GOSS) dan Exclusive Features Bundling (EFB). GOSS berguna untuk mengecualikan gradien data kecil, sedangkan EFB berguna untuk memilih fitur eksklusif dengan tujuan pengurangan fitur. Peneliti menggunakan metrik evaluasi untuk mengetahui akurasi prediksi masing-masing model. Dari penelitian yang dilakukan metode machine learning LGBM lebih baik 3,09 % dari XGB regression dan 16,57 % lebih baik dari linear regression.

---

This research in this report is aimed to create a system that can monitor WiFi performance, so that if one of the networks has problems it can be followed up quickly for further analysis. This research also add machine learning performance comparison to make predictions about how the WiFi traffic run in the future. The machine learning models used in this study are linear regression, Extreme Gradient Boost XGB regression, and Light Gradient Boosting Machine (LGBM) regression. LGBM applies two techniques namely Gradient-based One-Side Sampling (GOSS) and Exclusive Features Bundling (EFB). GOSS is useful for excluding small data gradients, whereas EFB is useful for selecting exclusive features with the goal of feature reduction. Researchers use evaluation metrics to determine the prediction accuracy of each model. From research conducted the LGBM machine learning method is 3.09% better than XGB regression and 16.57% better than linear regression."

"Jakarta sebagai kota besar yang memiliki tingkat kepadatan yang tinggi pada saat jam-jam dan hari-hari kerja memiliki peraturan guna mengurangi kemacetan di jalan. Salah satu peraturannya adalah pemberlakukan plat nomor kendaraan ganjil genap sesuai dengan tanggal. Peraturan ini cukup efektif dalam mengurangi tingkat kemacetan di jalan-jalan protokol. Namun masih saja ada oknum-oknum yang melanggar peraturan ini dikarenakan kemampuan manusia yang terbatas sehingga tidak dapat selalu mengawasi plat nomor kendaraan secara maksimal. Dengan berkembangnya teknologi terutama di bidang computer vision masalah ini dapat dikurangi. Dengan menggunakan bantuan machine learning yaitu computer vision menggabungkan alat fisik yaitu kamera dengan komputer sehingga dapat mendeteksi dan membaca plat nomor pada kendaraan. Perkembangan teknologi membuat machine learning semakin berkembang sehingga proses melakukan deteksi dapat dilakukan dengan lebih cepat dan akurat. Untuk melakukan hal ini algoritma YOLOv7 dilatih untuk melakukan deteksi pada plat nomor kendaraan serta membacanya sehingga dapat diklasifikasian termasuk ganjil / genap sesuai dengan tanggal pendeteksian. Pada penelitian ini dilakukan pembangunan prototype sistem pendeteksi dan klasifikasi ini menggunakan machine learning dan computer vision untuk melakukan deteksi plat nomor pada kendaraan yang lewat di jalan-jalan protokol. Hasil dari penelitan ini adalah dengan menggunakan algoritma YOLOv7, model yang dihasilkan memiliki akurasi sebesar 86%, melakukan pembacaan plat nomor hasil deteksi dengan EeasyOCR memiliki tingkat kesalahan pembacaan per karakter 3.81% dan kesalahan pembacaan per kata sebesar 11.90%, sistem dapat melakukan deteksi dan pembacaan plat nomor secara real time dengan baik, melakukan identifikasi pada jenis tanggal (ganjil  genap) dan memberikan alert ketika ada plat nomor yang tidak sesuai ketentuan tanggal.

---

Jakarta as the big city and the capital of Indonesia that have high density rate in the work hours and days have a special rule to decrease the congestion rate in the road. One of the rules is the enforcement of odd even license plate rules that connect to the real time date. This rule is effective in decreasing the congestion rate in the major arterial roads. but there's still a loophole that makes people violate this rule, the human limited ability makes them can't always observe all the license plate. With the help of technology development in computer vision, can help to reduce the problem. Computer vision combines the video camera and computer to work side by side so it can read and detect the license plate number. Technology development also develops the computer vision ability so detection and recognition can be done with more accuracy and less time. To do this thing YOLOv7 algorithm trains a model to detect the license plate in a car and read the license plate so it can classify the license plate type (odd/even) and compare it with the research date type. This research build the prototype of detection and classifier system with machine learning and computer vision, to do the automatic odd /even license plate detection and recognition at the car in artery road. As the result of the research , the detection model made by YOLOv7 algorithm have a 86 % accuracy, and the character recognition with EasyOCR have a character error rate 3.81 %  and word error rate 11.90 % , the system prototype can run the detection and OCR in real time, the prototype can get the real time date and classified it as odd or even number, and give an alert when the detected license plate number violated the odd even rule."

"Dalam beberapa tahun terakhir, keamanan data pada sistem informasi organisasi telah menjadi perhatian serius. Banyak serangan menjadi kurang terdeteksi oleh firewall dan perangkat lunak antivirus. Untuk meningkatkan keamanan, intrusion detection systems (IDS) digunakan untuk mendeteksi serangan dalam lalu lintas jaringan. Saat ini, teknologi IDS memiliki masalah kinerja mengenai akurasi deteksi, waktu deteksi, pemberitahuan alarm palsu, dan deteksi jenis serangan baru atau belum diketahui. Beberapa studi telah menerapkan pendekatan pembelajaran mesin (machine learning) sebagai solusi, dan mendapat beberapa peningkatan. Penelitian ini menggunakan pendekatan pembelajaran ensemble (ensemble learning) yang dapat mengintegrasikan manfaat dari setiap algoritma pengklasifikasi tunggal. Pada penelitian ini, dibandingkan tujuh pengklasifikasi tunggal untuk mengidentifikasi pengklasifikasi dasar yang digunakan untuk model ensemble learning. Kemudian dataset IDS terbaru dari Canadian Institute for Cybersecurity yaitu CSE-CIC-IDS2018 digunakan untuk mengevaluasi model ensemble learning. Hasil percobaan menujukan bahwa implementasi metode ensemble learning khususnya majority voting dengan tiga algoritma dasar (gradient boosting, decision tree dan logistic regression) dapat meningkatkan nilai akurasi lebih baik dibandingkan implementasi algoritma klasifikasi tunggal, yaitu 0,988. Selanjutnya, implementasi teknik pemilihan fitur spearman-rank order correlation pada dataset CSE-CIC-IDS2018 menghasilkan 23 dari 80 fitur, dan dapat meningkatkan waktu pelatihan model, yaitu menjadi 11 menit 4 detik dibanding sebelumnya 34 menit 2 detik.

---

In recent years, data security in organizational information systems has become a serious concern. Many attacks are becoming less detectable by firewall and antivirus software. To improve security, intrusion detection systems (IDSs) are used to detect anomalies in network traffic. Currently, IDS technology has performance issues regarding detection accuracy, detection times, false alarm notifications, and unknown attack detection. Several studies have applied machine learning approaches as solutions. This study used an ensemble learning approach that integrates the benefits of each single classifier algorithms. We made comparisons with seven single classifiers to identify the most appropriate basic classifiers for ensemble learning. Then the latest IDS dataset from the Canadian Institute for Cybersecurity, CSE-CIC-IDS2018, was used to evaluate the ensemble learning model. The experimental results show that the implementation of the ensemble learning method, especially majority voting with three basic algorithms (gradient boosting, decision tree and logistic regression) can increase the accuracy rate better than the implementation of a single classification algorithm, which is 0.988. Furthermore, the implementation of the spearman-rank order correlation feature selection technique in the CSE-CIC-IDS2018 dataset produced 23 of the 80 features, and could increase the model training time, which was 11 minutes 4 seconds compared to 34 minutes 2 seconds before."

"ABSTRAKSalah satu komponen penting dalam Sistem Monitoring Keamanan Jaringan adalah Intrusion Detection System IDS yang berfungsi untuk mendeteksi setiap potensi serangan yang mengancam keamanan jaringan. Keunggulan sebuah IDS ditentukan oleh kemampuannya untuk mendeteksi serangan siber secara akurat dan mudah beradaptasi terhadap perubahan lingkungan sistem yang terus berkembang. Sebuah IDS yang akurat mampu mendeteksi berbagai jenis serangan secara tepat dengan sedikit kesalahan deteksi false alarm .Penelitian ini merancang dan mengimplementasikan metode machine learning ke dalam IDS yang digunakan untuk mendeteksi serangan dalam jaringan sebenarnya secara akurat dan cepat. Dalam pengembangan model machine learning untuk IDS ini digunakan dataset KDDCUP rsquo;99 dan NSL-KDD. Dengan melakukan analisis pemilihan fitur diperoleh subset 28 fitur dari total 41 fitur dataset KDD yang paling relevan dan dapat diimplementasikan dalam jaringan sebenarnya. Dalam pengembangan model machine learning diperoleh hasil bahwa metode terbaik adalah menggunakan SVM.Pada tahap implementasi digunakan metode multi-stage detection yang memberikan hasil deteksi serangan yang lebih cepat dan akurat. Hasil ujicoba model IDS yang telah dikembangkan menggunakan metode machine learning dengan implementasi multi-stage detection mampu mendeteksi serangan dengan tingkat akurasi sampai 99,37 . Lebih jauh lagi, kecepatan proses deteksi meningkat dengan rata-rata 24 pada data testing dan rata-rata 10 pada lingkungan jaringan sebenarnya.

---

ABSTRACTAn important component in Network Security Monitoring System is Intrusion Detection System IDS . IDS serves to detect any potential attacks that threaten network security. The reliability of an IDS is determined by its ability to detect cyber attacks accurately, and to dynamically adapt to ever-evolving system environment changes. An accurate IDS is able to detect different types of attacks appropriately with minimum false alarm.This research designs and implements machine learning method into IDS to detect actual network attacks accurately and quickly. In the development of machine learning model for IDS, KDDCUP 39;99 and NSL-KDD dataset are used. By performing feature selection analysis, a subset of 28 most relevant features of a total of 41 features of KDD dataset is obtained and can be implemented in the actual network. In the development of machine learning model it is found that the best method for our approach is by using SVM.In the implementation phase the proposed multi-stage detection method provides faster and more accurate attack detection. The experiments also show that combining machine learning method with multi-stage detection implementation improves detection accuracy up to 99.37 . Further, the proposed method increases the average speed of detection process up to 24 in data testing and up to 10 average in the real network environment."

"

Pemanfaatan Intrusion Detection System (IDS) untuk mengamankan infrastruktur jaringan internet masih memiliki masalah yang belum terselesaikan, yaitu kurangnya akurasi deteksi serangan sehingga mengakibatkan terjadinya permasalahan false positif dan banyaknya alarm palsu. Salah satu pendekatan yang banyak digunakan untuk mengatasi permasalahan yang terjadi dalam implementasi IDS adalah dengan menggunakan pendekatan machine learning. Pada penelitian ini, penulis mengusulkan sistem yang menggunakan pendekatan machine learning untuk mendeteksi serangan jaringan dan mengirim peringatan serangan. Dataset CSE-CICIDS2018 dan Model-Based Feature Selection digunakan untuk mengevaluasi kinerja delapan algoritma klasifikasi dalam mengidentifikasi serangan jaringan guna menentukan algoritma terbaik. Hasilnya, Model XGBoost dipilih sebagai model yang memberikan hasil kinerja algoritma terbaik dalam perbandingan model machine learning ini, dengan tingkat akurasi untuk klasifikasi two-class sebesar 99%, dan multi-class sebesar 98,4%.

---

Utilization of the Intrusion Detection System (IDS) to secure internet network infrastructure still has unresolved problems, namely the lack of attack detection accuracy, resulting in false positives and many false alarms. One approach that is widely used to overcome the problems that occur in the implementation of IDS is to use a machine learning approach. In this study, the authors propose a system that uses a machine learning approach to detect network attacks and send attack warnings. The CSE-CICIDS2018 dataset and Model-Based Feature Selection were used to evaluate the performance of eight classifier algorithms in identifying network attacks to determine the best algorithm. As a result, the XGBoost model was chosen as the model that gives the best algorithm performance results in this machine learning model comparison, with an accuracy rate of 99% for two-class classification and 98.4% for multi-class.

"

"ABSTRAK<

Diabetes merupakan penyakit kronis yang terjadi ketika terdapat peningkatan kadar glukosa dalam darah karena tubuh tidak dapat atau tidak cukup menghasilkan hormon insulin atau tidak dapat menggunakan insulin secara efektif. Umumnya untuk mendeteksi penyakit diabetes adalah dengan tes kadar gula darah atau hemoglobin HbA1c yang dilakukan oleh praktisi medis. Pada penelitian ini, dibangun sistem prediksi penyakit diabetes berbasis iridologi atau melalui citra mata, menggunakan machine learning. Sistem yang dikembangkan terdiri dari instrumen akuisisi citra mata dan algoritma pengolahan citra. Metode GLCM (Gray Level Co-Occurence Matrix) digunakan untuk proses ekstraksi ciri, dengan tujuan untuk mendapatkan ciri tekstur pada citra. Metode SVM (Support Vector Machine) dan kNN (k Nearest Neighbor) digunakan untuk proses klasifikasi kelas diabetes dan non-diabetes. Hasil klasifikasi kemudian dilakukan proses validasi dengan menggunakan metode k-fold cross validation. Hasil yang diperoleh menunjukkan bahwa metode kNN memiliki performa yang lebih baik dibandingkan dengan metode SVM. Performa terbaik didapatkan saat variasi kombinasi ukuran area segmentasi 30×360 dengan jarak antar tetangga 30 pixel. Tingkat akurasi yang diapatkan dari pengujian sebesar 79,6%, dengan nilai misclassification rate (MR) 20,4%, false positive rate (FPR) 20,6%, false negative rate (FNR) 20%, sensitivity 87,1%, dan specificity 70,0%.

 

---

ABSTRACT

Diabetes is a chronic disease that occurs when there is an increase in glucose levels in the blood because the body cannot produce enough of the hormone insulin or cannot use insulin effectively. Generally, to detect diabetes is by pengujian blood sugar levels or hemoglobin HbA1c carried out by medical practitioners. In this study, a diabetes prediction system based on iridology or through eye images was constructed using machine learning. The developed system consists of eye image acquisition instruments and image processing algorithms. The GLCM (Gray Level Co-Occurence Matrix) method is used for feature extraction processes, with the aim of obtaining texture characteristics in the image. The SVM (Support Vector Machine) and kNN (k Nearest Neighbor) methods are used to classify diabetic and non-diabetic classes. The classification results are then validated by using the k-fold cross validation method. The results show that kNN method has better performance compared to the SVM method. The best performance is when size of the segmentation area 30×360 pixel with the distance between neighbors 20 pixel. The results show that the accuracy from pengujian is 79.6%, misclassification rate (MR) 20.4%, false positive rate (FPR) 20.6%, false negative rate (FNR) 20.0%, sensitivity 87.1%, and specificity 70.0%.

 

"

"Seiring dengan berjalannya waktu, jumlah populasi di dunia terus bertambah. Dengan demikian, lebih banyak upaya dan inovasi yang dibutuhkan dalam meningkatkan produksi pertanian secara berkelanjutan. Hal ini bertujuan untuk mengurangi kehilangan dan pemborosan pangan, serta memastikan bahwa tidak ada yang menderita kelaparan dan kekurangan gizi. Dengan berdasarkan kepada Kebijakan RPJMN 2020-2024 dan mengingat bahwa Indonesia merupakan negara agraris, penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi suatu sistem yang mampu mengklasifikasikan tanaman sehat dan gulma berbasis Machine Learning (ML) dengan metode Local Binary Pattern (LBP) sebagai feature extraction dan Extra-Trees sebagai classifier utama. Penelitian ini membuktikan bahwa sistem klasifikasi dengan LBP lebih optimal jika dibandingkan dengan sistem klasifikasi tanpa LBP serta membuktikan bahwa Extra-Trees merupakan classifier yang paling optimal untuk dikombinasikan dengan LBP jika dibandingkan dengan classifier lainnya. Hasilnya, tingkat akurasi dari sistem klasifikasi yang mengimplementasikan LBP sebagai ekstraksi fitur, yakni 99.65%, lebih tinggi daripada sistem klasifikasi yang tidak mengimplementasikan LBP, yakni 98%. Sistem klasifikasi yang mengimplementasikan LBP memperoleh nilai TPR / Sensitivity sebesar 99.3915, FPR sebesar 0.0986, TNR / Specificity sebesar 99.9014, dan FNR sebesar 0.6085. Selain itu, Extra-Trees menjadi classifier dengan tingkat akurasi tertinggi ketika dikombinasikan dengan LBP, jika dibandingkan dengan classifier lainnya. Urutan classifier yang dikombinasikan dengan LBP mulai dari tingkat akurasi tertinggi hingga tingkat akurasi terendah adalah Extra-Trees (99.65%), Stacking (99.55%), Bagging (99.4%), Random Forest (99.4%), Ada Boost (99.35%), Extra Tree (99.25%), Linear SVC (99.25%), MLP (99.2%), Decision Tree (99%), dan NuSVC (98.8%). Dengan demikian, sistem klasifikasi dengan LBP lebih optimal jika dibandingkan dengan sistem klasifikasi tanpa LBP serta Extra-Trees menjadi classifier yang paling optimal untuk dikombinasikan dengan LBP jika dibandingkan dengan classifier lainnya.

---

Over time, the world's population continues to grow. Thus, more efforts and innovations are needed to increase agricultural production in a sustainable manner. This aims to reduce food loss and waste, as well as ensure that no one suffers from hunger and malnutrition. Based on Kebijakan RPJMN 2020-2024 and remembering that Indonesia is an agricultural country, the author decided to implement and evaluate a system that capable to classifying healthy plants and weeds based on Machine Learning (ML) using the Local Binary Pattern (LBP) method as feature extraction and Extra-Trees as main classifier. This study proves that the classification system with LBP is more optimal than the classification system without LBP and proves that Extra-Trees is the most optimal classifier to be combined with LBP when compared to other classifiers. As a result, the level of accuracy of the classification system that implements LBP as feature extraction, which is 99.65%, is higher than the classification system that does not implement LBP, which is 98%. The classification system that implements LBP has a TPR / Sensitivity value of 99.3915, an FPR of 0.0986, a TNR / Specificity of 99.9014, and an FNR of 0.6085. In addition, Extra-Trees is a classifier with the highest level of accuracy when combined with LBP, if compared to other classifiers. The order of classifiers combined with LBP starting from the highest level of accuracy to the lowest level of accuracy is Extra-Trees (99.65%), Stacking (99.55%), Bagging (99.4%), Random Forest (99.4%), Ada Boost (99.35%), Extra Tree (99.25%), Linear SVC (99.25%), MLP (99.2%), Decision Tree (99%), and NuSVC (98.8%). Thus, the classification system with LBP is more optimal than the classification system without LBP and Extra-Trees is the most optimal classifier to be combined with LBP if compared to other classifiers."

"Stunting adalah salah satu masalah gizi yang mengganggu perkembangan pada anak yang diakibatkan oleh asupan gizi buruk pada masa pertumbuhannya. Indonesia tergolong sebagai negara dengan prevalensi stunting yang tinggi dengan angka sebesar 30.8% untuk anak Balita dan 29.9% untuk anak Baduta berdasarkan hasil Riskesdas 2018. Berdasarkan penelitian yang dilakukan oleh Balitbangkes, stunting terbukti membahayakan garis keturunan. Bayi dengan kondisi stunting membuat pertumbuhan dan perkembangan terhambat dan juga membuka resiko terhadap menderita penyakit tidak menular seperti diabetes mellitus pada saat dewasa. Jika bayi stunting perempuan tumbuh besar sehingga menjadi ibu, maka ibu tersebut akan melahirkan bayi stunting lagi dan mengakibatkan kondisi stunting lintas generasi. Dalam skripsi ini, pemodelan sistem prediksi stunting memanfaatkan metode machine learning berdasarkan data sekunder dari Indonesian Family Life survey (IFLS) tahun 2014-2015. Pemodelan dilakukan menggunakan bahasa pemrograman Python. Dilakukan pre-processing dengan metode yang berbeda-beda, yaitu Principal Component Analysis (PCA) dan 3 jenis Feature Selection: Filter, Wrapper, dan Embedded. Ketidakseimbangan dataset ditangani dengan metode SMOTE. Dilakukan pemisahan data menjadi training set dan testing set dengan pembagian 80:20 masing-masing. Kemudian beberapa algoritma model machine learning diujikan untuk mengetahui kemampuan prediksinya untuk setiap metode pre-processing. Hasil penelitian menunjukan bahwa setidaknya 1 dari 4 model untuk tiap metode pre-processing memiliki kemampuan yang baik dengan menunjukan nilai metrik dan AUC di atas 0,8. PCA dengan Decision Tree Classifier menunjukan akurasi 85% dan AUC 0,849. Feature Selection–Wrapper dengan SVC menunjukan akurasi 98% dan AUC 0,981. Feature Selection-Filter menunjukan akurasi 98% dan AUC 0,979. Feature Selection–menunjukan akurasi 84% dan AUC 0,844. Hal ini menjadikan kombinasi algoritma terbaik dalam penelitian ini adalah metode pre-processing Feature Selection–Wrapper dengan model machine learning SVC.

---

Stunting is one of the nutritional problems that interfere with development in children caused by poor nutritional intake during their growth period. Indonesia is classified as a country with a high prevalence of stunting with a figure of 30.8% for under-five children and 29.9% for under-two children based on the results of Riskesdas 2018. Based on research conducted by Balitbangkes, stunting has proven to endanger lineage. Babies with stunting conditions would have their growth and development stunted and also open the risk of suffering from non-communicable diseases such as diabetes mellitus in adulthood. If the female stunting baby grows up to become a mother, then the mother will give birth to another stunting baby and results in cross-generational stunting conditions. In this bachelor’s thesis, the stunting prediction system modeling utilizes machine learning methods based on secondary data from the 2014-2015 Indonesian Family Life Survey (IFLS). The modeling is carried out using the Python programming language. Pre-processing is carried out with different methods, namely Principal Component Analysis (PCA) and 3 types of Feature Selections: Filter, Wrapper, and Embedded. Dataset imbalance is handled by the SMOTE method. Separate the data into training sets and testing sets with a distribution of 80:20 each. Then several machine learning model algorithms were tested to determine their predictive ability for each pre-processing method. The results showed that at least 1 of the 4 models for each pre-processing method had a good ability indicated by the metric and AUC values ​​above 0.8. PCA with Decision Tree Classifier shows an accuracy of 85% and AUC 0.849. Feature Selection–Wrapper with SVC showed 98% accuracy and AUC 0.981. Feature Selection–Filter shows 98% accuracy and AUC 0.979. Feature Selection–Embedded shows an accuracy of 84% and AUC 0.844. The result shows that best combination of algorithms in this study is the Feature Selection–Wrapper pre-processing method with the SVC machine learning model."