Hasil Pencarian  ::  Simpan CSV :: Kembali

"Merangking peralatan kritis di Pembangkit Listrik Tenaga Panas Bumi PLTP merupakan hal terpenting sebelum menentukan metode pemeliharaan yang digunakan untuk setiap masing ndash; masing peralatan. Pada penelitian ini, penulis memperkenalkan metode terbarukan dalam menentukan dan merangking peralatan kritis di PLTP dengan metode Fuzzy Borda Count FBC. Proses perhitungan dengan metode FBC menggabungkan antara analisis kualitatif dengan analisis kuantitatif. Langkah pertama pada proses ini adalah menyaring terlebih dahulu sistem dengan menggunakan matriks risiko orde 2 x 2. Setelah itu menyaring peralatan dengan menggunakan matriks risiko orde 5 x 5. Dalam tahapan perhitungan terdapat 8 faktor yang berpengaruh terhadap sistem dan peralatan. Faktor tersebut di bobotkan serta di normalisasikan dengan menggunakan metode Analytic Hierarchy Process AHP . Dengan adanya nilai bobot setiap faktor maka dapat menghitung indeks dari setiap peralatan. Serta tahapan terakhir dalam merangking dengan menggunakan metode Fuzzy Borda Count FBC.

---

Ranking of critical equipment in Geothermal Power Plants GPPs is the most important thing before determining maintenance method used for each equipment. In this research, the author introduces a new method in determining and ranking of critical equipment in GPPs with Fuzzy Borda Count method. The calculation process by FBC method through combination of qualitative analysis with quantitative analysis. The first step in this process is to filter the system using Risk Analysis RA of a 2th order risk matrix. After that, we must filter the equipment from system in GPPs using Risk Analysis RA of a 5th order risk matrix. In this calculation, we use 8 factors that affect the system and equipment in GPPs. These factors are weighted and normalized using the Analytic Hierarchy Process AHP method. Given the weight value of each factor then it can calculate the index of each equipment. And the last step is ranking critical equipment by using Fuzzy Borda Count method FBC."

"Penelitian ini bertujuan untuk melihat perbedaan jumlah perusahaan yang masuk ke dalam kategori default pada masa sebelum pandemi dan saat pandemi COVID-19. Penelitian juga mempelajari apakah manajemen laba (earnings management) memiliki korelasi dengan probabilitas default saat pandemi COVID-19 khususnya perusahaan non keuangan di Indonesia. Data penelitian diperoleh dari Bursa Efek Indonesia periode 2019 – 2021, probabilitas default dihitung dengan menggunakan KMV-Merton Model dan manajemen laba menggunakan metode Dechow F-Score (2011). Hasil penelitian menunjukkan terdapat peningkatan jumlah perusahaan yang masuk dalam kategori default pada masa pandemi COVID-19 dan hasil uji menunjukan bahwa manajemen laba tidak memiliki korelasi terhadap probabilitas default. Berdasarkan hasil uji, kedua model tidak dapat menggambarkan hubungan antar variabel dengan baik karena KMV-Merton melakukan perhitungan perubahan akun jangka panjang sementara Dechow F-Score memperhitungkan perubahan akun akrual jangka pendek.

---

This study aims to see the difference in the number of companies that fall into the default category during the pre-pandemic period and during the COVID-19 pandemic. The research also studies whether earnings management has a correlation with the probability of default during the COVID-19 pandemic, especially non-financial companies in Indonesia. The research data was obtained from the Indonesia Stock Exchange for the period 2019 - 2021, the probability of default was calculated using the KMV-Merton Model and earnings management using the Dechow F-Score method (2011). The results showed that there was an increase in the number of companies in the default category during the COVID-19 pandemic and the test results showed that earnings management had no correlation with the probability of default. Based on the test results, both models cannot describe the relationship between variables well because KMV-Merton calculates long-term account changes while Dechow F-Score takes into account short-term accrual account changes.

"

"Dengan berkembangnya teknologi menyebabkan banyaknya kerentanan yang dapat terjadi pada jaringan wireless yang sering kali dimanfaatkan oleh berbagai pihak contohnya serangan DoS. Oleh karena itu sangat dibutuhkan sistem yang user friendly untuk memudahkan user dalam mendeteksi dan mencegah serangan tersebut sebelum attacker membahayakan jaringan. System tersebut dinamakan Intrusion Detection System (IDS). Pada pengujian ini menggunakan sistem operasi windows 10 dengan beberapa tools yaitu Snort sebagai IDS software, BASE sebagai report modul, Kiwi Syslog untuk menampilkan alert, dan hub sebagai network device. Ada beberapa jenis serangan yang dilakukan yaitu IP Scan dan Port Scan digunakan untuk mencari IP dan Port yang terbuka agar dapat diserang, dan Flooding sebagai penyerangnya. Dalam pengujian ini, terdapat beberapa skenario yang dilakukan yaitu pengujian Functionality Test pada client 1 – 3 untuk membandingkan nilai serangan, dan juga untuk mengetahui response time dari serangan yang dilakukan tersebut. Pada skenario pertama, dilakukan flooding pada 1 client (komputer target) dengan IP address 192.168.0.8 selama 60 menit lalu mendapatkan hasil 307.758 alert dan response time selama 0.000105741 s. Pada skenario kedua, dilakukan flooding terhadap 2 client sekaligus dengan IP address 192.168.0.1 dan 192.168.0.5 lalu hasil yang didapatkan sebanyak 378.920 alert dan response time selama 0.000127213 s. Dan pada skenario ketiga, dilakukan flooding terhadap 3 client sekaligus dengan IP address 192.168.0.8, 192.168.0.9, dan 192.168.0.4 lalu mendapatkan hasil sebanyak 430.212 alert dan response time selama 0.000142852 s. Pada setiap skenario dilakukan pengujian sebanyak 10 kali untuk melihat hasil yang didapatkan. Hasil yang didapat setelah melakukan pengujian tersebut ternyata mengalami kenaikan alert yang ditunjukan dengan persentase sebagai berikut yaitu dari skenario pertama ke skenario kedua sebesar 23,12%, skenario kedua ke skenario ketiga sebesar 13,53%, skenario pertama ke skenario ketiga sebesar 39,78%. Begitupula dengan response time yaitu dari skenario pertama ke skenario kedua sebesar 20,30%, skenario kedua ke skenario ketiga sebesar 12,29%, skenario pertama ke skenario ketiga sebesar 35,09%

---

With the development of technology, it causes many vulnerabilities that can occur in wireless networks which are often exploited by various parties, for example DoS attacks. Therefore, a user friendly system is needed to make it easier for users to detect and prevent these attacks before the attacker harms the network. The system is called the Intrusion Detection System (IDS). In this test using the Windows 10 operating system with several tools, namely Snort as IDS software, BASE as a report module, Kiwi Syslog to display alerts, and a hub as a network device. There are several types of attacks carried out, namely IP Scan and Port Scan used to find IP and open ports so that they can be attacked, and Flooding as the attacker. In this test, there are several scenarios that are carried out, namely Functionality Tests on clients 1-3 to compare the attack values, and also to determine the response time of the attacks carried out. In the first scenario, one client (target computer) was flooded with the IP address 192.168.0.8 for 60 minutes and then got 307.758 alerts and 0.000105741 s response time. In the second scenario, 2 clients are flooded at once with IP addresses 192.168.0.1 and 192.168.0.5 then the results obtained are 378,920 alerts and response time is 0.000127213 s. And in the third scenario, 3 clients are flooded at once with IP addresses 192.168.0.8, 192.168.0.9, and 192.168.0.4 and then get 430,212 alerts and a response time of 0.000142852 s. In each scenario, 10 times were tested to see the results obtained. The results obtained after carrying out the test turned out to have increased alerts as indicated by the following percentages, namely from the first scenario to the second scenario of 23.12%, the second scenario to the third scenario of 13.53%, the first scenario to the third scenario of 39.78 %. Likewise, the response time from the first scenario to the second scenario is 20.30%, the second scenario to the third scenario is 12.29%, the first scenario to the third scenario is 35.09%.

"