Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Ekploitasi berlebihan terhadap mineral alam seperti pasir silika merupakan salah satu dampak negatif dari pertumbuhan sektor konstruksi yang masif. Linear Low Density Polyethylene (LLDPE) adalah salah satu jenis plastik dengan persentase limbah padat terbanyak dan sulit terdegradasi sehingga dianggap sebagai sumber utama pencemaran. Karakteristik dan sifat mekanis yang dimiliki LLDPE seperti ketangguhan yang tinggi dan densitas yang rendah berpotensi menjadi alternatif agregat substitusi untuk aplikasi dalam komposit mortar non-struktural. Surfaktan Vinyl Acetate/Ethylene (VAE) 1,2 wt% digunakan sebagai media untuk memperbaiki antarfasa terhadap perbedaan polaritas LLDPE dengan matriks semen. Tujuan penelitian ini adalah menentukan formulasi substitusi agregat LLDPE terhadap pasir silika yang sesuai untuk aplikasi komposit mortar perekat non-struktural. Eksperimen dilakukan dengan pengujian sifat mekanis seperti karakterisasi fisik (XRD/FTIR), pengukuran densitas dan densitas kering, uji tekan, uji tarik, uji termogravimetrik, serta pengamatan morfologis dengan mikroskop optik dan elektron. Formulasi mortar dilakukan dengan komposisi agregat LLDPE 0 – 100 wt% terhadap agregat pasir silika. Sekalipun penambahan LLDPE menurunkan densitas mortar, penggunaan VAE mampu menjaga air terikat hingga komposisi LLDPE 40%. Kuat tekan mengalami penurunan ~42 – 90% yang disebabkan oleh sifat intrinsik LLDPE yang lemah. Kuat rekat mengalami penurunan seiring meningkatnya komposisi LLDPE (≥ 0,5 N/mm2 pada komposisi hingga 10% dan ≥ 0,3 N/mm2 pada komposisi hingga 50%). Penambahan LLDPE mempengaruhi hidrasi semen yang ditunjukkan dari masih terdapatnya ettringite dalam citra SEM pada komposisi 50%. Pada komposisi tinggi keretakan akan semakin jelas terdeteksi karena ketidakmampuan surfaktan VAE membentuk antarfasa yang baik. LLDPE berkontribusi terhadap percepatan degradasi termal karena titik lelehnya yang rendah. Berdasarkan hasil tersebut disimpulkan bahwa penggunaan LLDPE sebagai agregat dalam mortar berpotensi untuk diaplikasikan untuk mortar non-struktural dengan daya rekat yang disesuaikan peruntukannya seperti pada perekat keramik dan perekat bata ringan. ......Over-exploitation of natural minerals such as silica sand is one of the negative impacts of the construction sector massive growth. Linear Low Density Polyethylene (LLDPE) is a type of plastic with a high percentage of solid waste and is hardly degradable, so it is considered as a major source of solid pollution. The characteristics and mechanical properties of LLDPE such as high toughness and low density have the potential to be an alternative aggregate substitute for applications in non-structural mortar composites. 1.2 wt% Vinyl Acetate/Ethylene (VAE) surfactant was used as a medium to improve the interface between LLDPE and the cement matrix. The purpose of this study was to determine the appropriate formulation of  LLDPE aggregate substitution against silica sand for the application of non-structural adhesive mortar composites. Experiments were carried out by testing mechanical properties such as physical characterization (XRD/FTIR), density and oven dry density measurements, compression tests, tensile tests, thermogravimetric tests, as well as morphological observations with optical and electron microscopes. Mortar formulation was carried out with a composition of 0-100 wt% LLDPE aggregate on silica sand aggregate. Even though the addition of LLDPE lowered the density of the mortar, the use of VAE was able to keep water bound up to 40% LLDPE composition. The compressive strength decreased by ~42-90% due to the weak intrinsic properties of LLDPE. The adhesive strength decreased as the composition of LLDPE increased (≥ 0.5 N/mm2 at compositions up to 10% and ≥ 0.3 N/mm2 at compositions up to 50%). The addition of LLDPE affects cement hydration as indicated by the presence of ettringite in the SEM image at 50% composition. At higher compositions the cracks will be more clearly detected due to the inability of VAE surfactants to form good interfaces. LLDPE contributes to accelerated thermal degradation due to its low melting point. Based on these results, it was concluded that the use of LLDPE as an aggregate in mortar has the potential to be applied to non-structural mortars with adapted adhesion strength, such as tile adhesives and lightweight brick thin bed adhesives.

Abstrak :
Serangan jaringan semakin beragam seiring berkembangnya internet. Dalam menghadapi serangan-serangan tersebut, diperlukan juga pengembangan sistem keamanan internet terhadap pengguna salah satunya adalah IDS. Intrusion detection system (IDS) merupakan sistem keamanan dalam mengawasi aktivitas jaringan yang berbahaya bagi pengguna. Metode yang umum digunakan yaitu signature-based IDS. Signature-based IDS menggunakan daftar serangan siber yang diketahui dalam menentukan jaringan berbahaya atau normal. Akan tetapi, IDS hanya mengetahui serangan yang diketahui saja dan membutuhkan input secara manual untuk mengubah daftar serangan sehingga tidak efektif dalam mengatasi serangan yang tidak ketahui. Oleh karena itu, penelitian ini berfokus pada pengembangan IDS dengan pendekatan machine learning menggunakan model autoencoder untuk reduksi dimensi dan pengaruhnya terhadap model IDS. Autoencoder yang digunakan pada penelitian ini terdapat 2 model yaitu non-symmetric deep autoencoder (NDAE) dan modifikasi dari NDAE menggunakan metode variational autoencoder (VAE) yang disebut sebagai V-NDAE, serta model PCA. Modifikasi NDAE bertujuan untuk mengambil informasi penting dengan menggunakan distribusi probabilistik sehingga menjadi data yang berkualitas untuk pelatihan model IDS. Pengujian reduksi dimensi dari model-model ini dilakukan dengan melatih model IDS yaitu model random forest. Penelitian ini dilakukan pada 2 dataset yang berbeda yaitu dataset CICIDS2017 dan dataset dari simulasi serangan jaringan. Metrik yang digunakan adalah metrik accuracy, precision, recall, F-1 score, ROC curve. Berdasarkan pengujian yang telah dilakukan terhadap dataset CICIDS2017, model NDAE memiliki nilai rata-rata akurasi validasi sebesar 90.85% sehingga memiliki nilai yang lebih besar daripada model V-NDAE yang memiliki nilai rata-rata akurasi validasi sebesar 87.65%. Pelatihan model NDAE menggunakan hyperparameter yang paling optimal yaitu dengan optimizer RMSProp dan batch size sebesar 128. Pada pengujian terhadap dataset dari simulasi serangan jaringan, model NDAE memiliki performa yang lebih baik daripada model V-NDAE dan model PCA. Model NDAE memiliki nilai rata-rata akurasi validasi sebesar 94.66% dan model V-NDAE memiliki nilai rata-rata akurasi validasi sebesar 66.32%. Pelatihan model NDAE menggunakan hyperparameter yang paling optimal yaitu dengan optimizer Adam dan batch size sebesar 32. ......The variety of network attacks increases as the internet evolves. In dealing with these attacks, the development of an internet security system for users is necessary, one of which is IDS. An intrusion detection system (IDS) is a security system designed to monitor network activity that is dangerous for users. The commonly used method is signature-based IDS. Signature-based IDS uses a signature database of known cyber attacks to determine whether a network is dangerous or normal. However, this IDS only recognizes known attacks and requires manual input to change the signature database of attacks, making it ineffective in dealing with unknown attacks. Therefore, this research focuses on developing an IDS using a machine learning approach, specifically using an autoencoder model for dimensionality reduction and its impact on the IDS model. The models used in this research consists of a non-symmetric deep autoencoder (NDAE), modification of NDAE using the variational autoencoder (VAE) method, and PCA model. The modified NDAE can capture important information from the latent distribution, which helps stabilize the training of the model. Dimensionality reduction testing for both models is performed by training an IDS model, specifically a random forest model. This research is conducted on two different datasets: the CICIDS2017 dataset and a dataset from network attack simulations. The evaluation metrics used are accuracy, precision, recall, F-1 score, and ROC curve. Based on the testing performed on the CICIDS2017 dataset, the NDAE model achieves an average validation accuracy of 90.85%, which is higher than the average validation accuracy of 87.65% for the V-NDAE model and PCA model. The NDAE model's training is done using the most optimal hyperparameters, specifically the RMSProp optimizer and a batch size of 128. In the testing on the dataset from network attack simulations, the NDAE model outperforms the V-NDAE model and PCA model. The NDAE model achieves an average validation accuracy of 94.66%, while the V-NDAE model achieves an average validation accuracy of 66.32%. The NDAE model's training is done using the most optimal hyperparameters, specifically the Adam optimizer and a batch size of 32.