Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini mengembangkan sistem pendeteksi kebohongan berbasis kecerdasan buatan Machine learning untuk membantu petugas Imigrasi dalam mengevaluasi wawancara permohonan paspor warga negara Indonesia dengan pendekatan yang lebih sistematis melalui penggunaan teknologi computer vision guna menganalisis fitur-fitur yang ditampilkan oleh wajah manusia. Set data penelitian menggunakan 32 video wawancara (23 honest, 9 lie) yang diaugmentasi menjadi 41 video untuk mengatasi ketidakseimbangan kelas. Sistem menggunakan dlib dan OpenCV untuk mendeteksi 68 facial landmarks, mengekstrak tiga parameter perilaku wajah, yakni : bagian mata, bagian alis, dan bagian bibir. Analisis statistik comprehensive menghasilkan 66 fitur diskriminatif per video. Model CNN, CNN-LSTM, dan ANN dikembangkan untuk diujicobakan dalam penelitian ini. Model dilatih dengan 5 K-fold cross-validation sebanyak tiga kali dengan hasil evaluasi menunjukkan ANN mencapai test accuracy terbaik yaitu 74.4%, precision 79.3%, recall 74.4%, dan F1-score 73.4%. Analisis feature importance mengidentifikasi Mouth Asymmetry Std sebagai parameter paling diskriminatif dengan nilai sebesar 0.4114. Sistem kemudian diimplementasikan dalam web application dengan processing time sekitar lima menit per video, menyediakan confidence score dan final decision untuk analisis petugas. Kontribusi penelitian meliputi multi-feature facial analysis dan end-to-end system serta saran pengembangannya untuk aplikasi praktis wawancara paspor di kantor Imigrasi Indonesia yang diharapkan dapat menjadi solusi inovatif dalam mendukung pengambilan keputusan di instansi Imigrasi dan meningkatkan kualitas layanan publik terkait.

---

This research develops an artificial intelligence-based lie detection system using machine learning to assist Immigration officers in evaluating passport application interviews for Indonesian citizens through a more systematic approach utilizing computer vision technology to analyze features displayed by human faces. The research dataset uses 32 interview videos (23 honest, 9 lie) which were augmented to 41 videos to address class imbalance. The system employs dlib and OpenCV for detecting 68 facial landmarks, extracting three facial behavioral parameters: eye region, eyebrow region, and lip region. Comprehensive statistical analysis yields 66 discriminative features per video. CNN, CNN-LSTM, and ANN models were developed and tested in this research. Models were trained using 5 K-fold cross-validation performed three times, with evaluation results showing that ANN achieved the best test accuracy of 74.4%, precision of 79.3%, recall of 74.4%, and F1-score of 73.4%. Feature importance analysis identified Mouth Asymmetry Standard Deviation as the most discriminative parameter with a value of 0.4114. The system was then implemented as a web application with a processing time of approximately five minutes per video, providing confidence scores and final decisions for officer analysis. Research contributions include multi-feature facial analysis and end-to-end system development, along with recommendations for practical implementation in passport interview applications at Indonesian Immigration offices, which is expected to serve as an innovative solution in supporting decision-making at Immigration agencies and improving related public service quality."

"Penelitian ini mengembangkan sistem deteksi intrusi jaringan dengan mengintegrasikan Zeek, model machine learning, dan Wazuh sebagai platform Security Information and Event Management (SIEM). Data dikumpulkan secara mandiri melalui proses monitoring jaringan selama dua jam menggunakan Zeek pada empat skenario: normal, GoldenEye, Slowloris, dan SlowHTTP. Log Zeek dianalisis secara real-time menggunakan model machine learning yang telah dilatih sebelumnya. Model dijalankan melalui pipeline Python yang membaca conn.log secara terus-menerus, memprediksi label “benign” atau jenis serangan, dan menyimpan hasilnya dalam file JSON. File ini kemudian dikirim ke Wazuh Server untuk dianalisis dan ditampilkan sebagai alert. Seluruh log Zeek juga dikirim ke Wazuh untuk mendukung proses threat hunting. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi serangan DoS secara efektif dengan detection rate mencapai 98,9% pada GoldenEye, 96,8% pada Slowloris, dan 77,3% pada SlowHTTPTest, jauh lebih tinggi dibandingkan pendekatan rule-based Zeek script yang hanya mencapai 46,7%, 55,1%, dan 28,4%. False positive rate juga tetap rendah, dengan ratarata di bawah 2% pada semua skenario. Selain itu, mean time to detect (MTTD) sistem menunjukkan performa yang responsif dan bersaing dengan Zeek script. Temuan ini membuktikan bahwa integrasi SIEM berbasis machine learning efektif dalam mendeteksi ancaman siber secara real-time di lingkungan yang terkendali.

---

This research develops a network intrusion detection system by integrating Zeek, a machine learning model, and Wazuh as a Security Information and Event Management (SIEM) platform. Data was independently collected through two hours of network monitoring using Zeek under four scenarios: normal, GoldenEye, Slowloris, and SlowHTTP. The Zeek logs were analyzed in real-time using a pre-trained machine learning model. The model was executed through a Python-based pipeline that continuously reads the conn.log, predicts whether each connection is benign or a specific attack type, and stores the results in a JSON file. This file is then sent to the Wazuh Server for analysis and displayed as alerts. In addition, all Zeek logs are forwarded to Wazuh to support threat hunting activities. Evaluation results show that the system can effectively detect DoS attacks, achieving a detection rate of 98.9% for GoldenEye, 96.8% for Slowloris, and 77.3% for SlowHTTPTest. These results significantly outperform the rule-based Zeek scripts, which only reached 46.7%, 55.1%, and 28.4% respectively. The system also maintains a low false positive rate, averaging below 2% across all scenarios. Moreover, the system demonstrates a responsive and competitive mean time to detect (MTTD) compared to Zeek scripts. These findings confirm that a machine learning-based SIEM integration can effectively enhance real-time cyber threat detection in controlled environments. "

"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.

"

"Perkembangan media sosial telah berkembang pesat, tidak hanya sebagai alat komunikasi sosial antar individu. Fungsi dan kegunaannya semakin berkembang serta banyak dimanfaatkan organisasi swasta maupun pemerintah untuk mengukur tingkat layanan. Ditjen Imigrasi selaku organisasi pemerintah merupakan salah satu organisasi yang memanfaatkan media sosial, salah satu fungsinya untuk mengetahui apakah layanan yang diberikan telah diterima dengan baik oleh masyarakat. Selain melalui media sosial, Imigrasi juga telah meluncurkan aplikasi M-Paspor di platform Google Play Store, di platform tersebut Imigrasi juga dapat mengetahui tingkat efektivitas dari aplikasi yang telah diluncurkan. Berdasarkan survei yang dilakukan oleh Balitbangham yang merupakan internal dari Kemenkumham, layanan yang diberikan oleh imigrasi mendapat nilai sangat baik, namun faktanya pada media sosial maupun google play store banyak komentar maupun ulasan yang kurang puas dengan pelayanan pihak imigrasi. Hal tersebut menjadi kontradiksi antara hasil survei Balitbangham dan data di media sosial. Namun, akan sulit untuk melakukan analisis data media sosial dikarenakan jumlah yang banyak. Oleh karena itu, perlu dilakukan untuk mengusulkan sistem untuk melakukan analisis sentimen menggunakan data teks komentar dan ulasan. Sehingga pihak Imigrasi dapat mengambil langkah terbaik untuk dapat memperbaiki layanan yang masih belum maksimal. Dataset yang digunakan berupa data yang diambil dari media sosial Twitter dan Instagram serta ulasan pada Google Play Store. Hasil penelitian menunjukan jika fitur ekstraksi TF-IDF Unigram yang dipadukan dengan algoritma Support Vector Machine (SVM) serta SMOTE menghasilkan performa paling tinggi dibandingkan dengan nave Bayes (NB) maupun Random Forest (RF). dalam melakukan klasifikasi, SVM menghasilkan dengan hasil Precision 72%, Recall 69%, Accurasy 69, serta F1-Score sebesar 68%. Model tersebut dapat digunakan Imigrasi untuk mengetahui umpan balik pelayanan dari masyarakat yang dapat digunakan sebagai pertimbangan dalam melakukan perbaikan pelayanan serta merumuskan strategi pelayanan oleh Direktorat terkait agar pelayanan lebih efisien untuk kedepannya. Sehingga, Imigrasi akan mampu dengan cepat merespon kendala yang dihadapai oleh masyarakat.

---

The development of social media has grown rapidly, not only as a means of social communication between individuals. Its functions and uses are growing and are widely used by private and government organizations to measure service levels. The Directorate General of Immigration as a government organization is one of the organizations that utilizes social media. Its function is to find out whether the services provided have been well received or not by the public. Apart from social media, Immigration has also launched the M-Passport application on the Google Play Store platform, on the platform, Immigration officials can also find out the effectiveness of the applications that have been launched. Based on a survey conducted by Balitbangham which is internal to the Ministry of Human Rights, the services provided by immigration get a very good score, but the fact is that on social media and the Google Play Store some many comments and reviews are not satisfied with the services of the immigration authorities. This is a contradiction between the results of the Balitbangham survey and data on social media. However, it will be difficult to analyze social media data due to the large number. Therefore, it is necessary to propose a system to perform sentiment analysis using commentary and reviewing text data. So that Immigration can take the best steps to be able to improve services that are still not optimal. The dataset used is in the form of data taken from social media Twitter and Instagram as well as reviews on the Google Play Store. The results show that the TF-IDF Unigram extract feature combined with the Support Vector Machine (SVM) and SMOTE algorithms produces the highest performance compared to Naïve Bayes (NB) and Random Forest (RF). In classifying, SVM produces 72% Precision, 69% Recall, 69% Accuracy, and 68% F1-Score. This model can be used by Immigration to find out service feedback from the community as a consideration in making service improvements and formulating more efficient service strategies for the future. Thus, Immigration will be able to quickly respond to the obstacles faced by the community."

"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."

"Laporan keuangan merupakan dokumen sangat penting yang menjadi basis dari keputusan berbagai stakeholder pada pasar modal. Ironisnya, fenomena fraud (kecurangan) pada laporan keuangan perusahaan bukan merupakan praktik yang tidak pernah terjadi. Data yang dilansir ACFE Chapter Indonesia pada tahun 2016 menunjukkan bahwa sekitar 40% dari kecurangan pada laporan keuangan menyebabkan kerugian yang mencapai lebih dari Rp. 10 milyar. Menurut laporanyang dirilis oleh ACFE pada tahun 2014, rata-rata waktu yang dibutuhkan untukmendeteksi kecurangan pada laporan keuangan adalah 24 bulan dengan total kerugian yang bisa mencapai US$ 150.000. Penelitian ini akan menggunakan pendekatan machine learning berbasis optimasi meta-heuristic untuk mengembangkan model prediksi fraud pada laporan keuangan. Terdapat beberapa metode klasifikasi yang dapat digunakan yaitu Neural Networks dan Support Vector Machine. Hasil prediksi terbaik pada penelitian ini berupa model Support Vector Machine dengan parameter teroptimasi dengan Genetic Algorithm yang mendapatkan akurasi sebesar 96.15%.

---

Financial statement is a critical document which form the basis of decisions of various stakeholders in the capital market. Ironically, the phenomenon of fraud (fraud) on the company's financial statements is not a practice that never happened. Data reported by ACFE Chapter Indonesia in 2016 showed that around 40% of the financial statement caused losses that reached more than Rp 10 billion. According to a report released by ACFE in 2014, the average time needed to detect fraud on financial statements is 24 months, with a total loss that could reach US$ 150,000. This study will use several machine learning approaches based on meta-heuristic optimization to develop fraud prediction models in financial statements. Two classification methods were utilized, namely, Back Propagation Neural Networks and Support Vector Machines. The best classifier in this study is a Support Vector Machine, which parameters are optimized with Genetic Algorithm resulting in 96.15% accuracy."

"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."