Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam rangka meningkatkan kemampuan Intrusion Detection System (IDS) dalam mendeteksi serangan, beberapa penelitian melakukan penerapan teknik deep learning. Penelitian ini menggunakan salah satu teknik deep learning yaitu Convolutional Neural Network (CNN) dengan algoritma Convolution 1 Dimension (Conv1D) dan dataset Communications Security Establishment and Canadian Institute of Cybersecurity Intrusion Detection System (CSE-CIC-IDS) 2017 dan CSE-CIC-IDS 2018 untuk deteksi serangan DoS-Hulk, DoS-SlowHTTPTest, DoS-GoldenEye, dan DoS-Slowloris. Selain itu, dilakukan penggabungan kedua dataset tersebut untuk meningkatkan kinerja deteksi. Kontribusi dari penelitian ini adalah penerapan teknik resampling sebelum data mengalami proses pembelajaran. Selain itu, dilakukan penambahan fungsi dropout untuk mencegah terjadinya overfitting. Berdasarkan hasil penelitian diperoleh bahwa model CNN yang dibangun dengan dataset CSE-CIC-IDS 2018 memiliki kinerja yang lebih tinggi dalam deteksi serangan DoS dibanding model CNN yang dibangun dengan dataset CSE-CIC-IDS 2017 yaitu akurasi 99,57%, precision 99,58%, recall 99,43% dan f1-score 99,50%.

---

To improve the ability of Intrusion Detection System (IDS) to detect attacks, several studies have implemented deep learning techniques. Our study uses one of the deep learning techniques, namely Convolutional Neural Network (CNN) with Conv1D algorithm and dataset Communications Security Establishment and Canadian Institute of Cybersecurity Intrusion Detection System (CSE-CIC-IDS) 2017 and CSE-CIC-IDS 2018 for detection of DoS attacks-Hulk, DoS attacks-SlowHTTPTest, DoS attacks-GoldenEye, and DoS attacks-Slowloris. In addition, the two datasets were combined to improve detection performance. The contribution of our study is the application of resampling techniques before the data undergoes the learning process. In addition, a dropout function was added to prevent overfitting. Based on the results of the study, it was found that the CNN model built with the CSE-CIC-IDS dataset 2018 had a higher performance in detecting DoS attacks than the CNN model built with the CSE-CIC-IDS 2017 dataset, such as accuracy 99,57% precision 99,58% recall 99,43% dan f1-score 99,50%."

"Terumbu karang merupakan organisme laut yang memberikan keuntungan untuk banyak mahluk hidup lainnya. Semakin parahnya polusi pada air dan perubahan iklim yang tidak menentu menyebabkan kesehatan terumbu karang terancam. Proyeksi untuk tahun 2050 menunjukkan bahwa 95% terumbu karang kemungkinan akan mengalami pemutihan. Penelitian ini mengusulkan untuk menerapkan deep learning untuk mengklasifikasikan tipe dan level kesehatan terumbu karang yang klasifikasinya dibagi berdasarkan bagan kesehatan CoralWatch, yaitu dibagi menjadi level 1 – 6. Klasifikasi kesehatan terumbu karang pada penelitian ini dibagi menjadi 6 label, yaitu lv.6, lv.5, lv.4, lv.3, lv.2, dan lv.1. Sedangkan untuk klasifikasi tipe terumbu karang terdapat 3 kelas, yaitu Boulder, Table, dan Branching. Hasil akhir penelitian ini adalah model untuk klasifikasi tipe dan level kesehatan terumbu karang. Bahasa pemograman yang digunakan adalah python, dan arsitektur yang digunakan adalah ResNet, MobileNetV2, DenseNet, dan VGG19. Pada penelitian ini didapat akurasi terbaik sebesar 100% untuk klasifikasi tipe terumbu karang dengan arsitektur DenseNet dan untuk klasifikasi kesehatan terumbu karang didapat akurasi sebesar 55% dengan arsitektur DenseNet.

---

Coral reefs are marine organisms that provide benefits to many other living creatures. The worsening pollution in the water and unpredictable climate changes threaten the health of coral reefs. Projections for 2050 indicate that 95% of coral reefs are likely to experience bleaching. This research proposes to apply deep learning to classify the types and health levels of coral reefs, with classifications divided based on the CoralWatch health chart, ranging from level 1 to 6. The health classification of coral reefs in this study is divided into 6 labels: lv.6, lv.5, lv.4, lv.3, lv.2, and lv.1. Meanwhile, for the classification of coral reef types, there are 3 classes: Boulder, Table, and Branching. The final outcome of this research is a model for classifying the types and health levels of coral reefs. The programming language used is Python, and the architectures used are ResNet, MobileNetV2, DenseNet, and VGG19. In this study, the best accuracy obtained for the classification of coral reef types is 100% with the DenseNet architecture, while for the classification of coral reef health, the accuracy obtained is 55% with the DenseNet architecture."

"Analisis sentimen merupakan suatu proses untuk menentukan sikap atau sentimen dari penulis mengenai hal tertentu. Proses pengelompokan sentimen secara manual membutuhkan waktu cukup lama, sehingga diusulkan untuk menggunakan machine learning. Pada penelitian ini, model machine learning yang digunakan merupakan model CNN-BiLSTM (Convolutional Neural Network - Bidirectional Long Short-Term Memory) dan BiLSTM-CNN (Bidirectional Long Short-Term Memory - Convolutional Neural Network) yang menghasilkan kinerja yang lebih baik dibandingkan model CNN dan BiLSTM pada permasalahan analisis sentimen. Supaya model dapat belajar secara berkelanjutan dari beberapa domain data, model tersebut juga diimplementasikan lifelong learning. Hasilnya, model CNN-BiLSTM menunjukkan kinerja transfer of knowledge yang lebih baik dibandingkan oleh model BiLSTM-CNN maupun model dasarnya. Di sisi lain, model BiLSTM-CNN menunjukkan kinerja yang lebih buruk dibandingkan model dasarnya. Sedangkan, hasil loss of knowledge menunjukkan bahwa kinerja model CNN- BiLSTM lebih buruk dari BiLSTM-CNN. Selain itu, kedua model gabungan tersebut menunjukkan kinerja yang lebih baik dibandingkan model CNN, tetapi lebih buruk dibandingkan model BiLSTM. Untuk pengembangan lebih lanjut, diimplementasikan pula lifelong learning dengan pembaruan vocabulary. Dengan implementasi tersebut, model mampu mempelajari vocabulary dari domain data 2, 3, 4, dan 5. Pembaruan vocabulary ternyata meningkatkan kinerja model pada transfer of knowledge dan loss of knowledge.

---

Sentiment analysis is a process to determine the attitude or sentiment of the author regarding certain matters. The process of classifying sentiments manually takes a long time, so it is proposed to use machine learning. In this study, the machine learning model used is the CNN-BiLSTM (Convolutional Neural Network - Bidirectional Long Short-Term Memory) and BiLSTM-CNN (Bidirectional Long Short-Term Memory - Convolutional Neural Network) models which produce better performance than the CNN and BiLSTM models on the problem of sentiment analysis. In order for the model to learn continuously from several data domains, the model is also implemented lifelong learning. As a result, the CNN-BiLSTM model shows better transfer of knowledge performance compared to the BiLSTM-CNN model and its base model. On the other hand, the BiLSTM-CNN model shows a worse performance than its base model. Meanwhile, the results of loss of knowledge show that the performance of the CNN-BiLSTM model is worse than the BiLSTM-CNN model. In addition, the two combined models show better performance than the CNN model, but worse than the BiLSTM model. For further development, lifelong learning is also implemented with an update to vocabulary. With this implementation, the model is able to learn vocabulary from data domain 2, 3, 4, and 5. In fact, the vocabulary update has an effect in increasing the performances of transfer of knowledge and loss of knowledge.

"

"Banyaknya opini yang diunggah oleh pengguna media sosial di Indonesia, mengakibatkan dapat dilakukannya penelitian, salah satunya adalah analisis sentimen. Beberapa model machine learning yang dapat digunakan untuk analisis sentimen yaitu Long Short-Term Memory (LSTM) dan Convolutional Neural Network (CNN). Pada penelitian ini menggunakan modifikasi dari model CNN, yaitu model CNN-Multi Region Size (CNNMRS). Model LSTM dan CNNMRS dapat digabungkan menjadi model gabungan CNNMRS-LSTM dan LSTM-CNNMRS. Penerapan lifelong learning untuk permasalahan analisis sentimen pada penelitian ini dilakukan dengan menggunakan model CNNMRS, LSTM, CNNMRS-LSTM, dan LSTM-CNNMRS. Kemampuan lifelong learning untuk transfer knowledge model CNNMRS menunjukkan hasil yang lebih baik dibandingkan dengan ketiga model lainnya. Pada permasalahan lifelong learning untuk loss of knowledge model LSTM lebih baik dari ketiga model lainnya. Pada penelitian ini juga dilihat pengaruh lifelong learning yang menerapkan pembaruan vocabulary yaitu menggunakan vocabulary yang ada pada setiap source domain yang digunakan. Kemampuan lifelong learning dengan pembaruan vocabulary untuk transfer knowledge model LSTM menunjukkan hasil yang lebih baik dibandingkan dengan ketiga model lainnya. Pada permasalahan lifelong learning dengan pembaruan vocabulary untuk loss of knowledge model LSTM-CNNMRS lebih baik dari ketiga model lainnya. Berdasarkan hasil yang diperoleh pada penelitian ini, pembaruan vocabulary dapat meningkatkan kemampuan dari lifelong learning.

---

The number of opinions uploaded by social media users in Indonesia has resulted in various studies being carried out, one of which is sentiment analysis. Several machine learning models that can be used for sentiment analysis are Long Short-Term Memory (LSTM) and Convolutional Neural Network (CNN). This study uses a modification of the CNN model, namely the CNN-Multi Region Size (CNNMRS) model. The LSTM and CNNMRS models can be combined into a combined CNNMRS-LSTM and LSTM-CNNMRS model. The application of lifelong learning for sentiment analysis problems in this study was carried out using the CNNMRS, LSTM, CNNMRS-LSTM, and LSTM-CNNMRS models. The ability of lifelong learning to transfer knowledge of the CNNMRS model shows better results than the other three models. On the problem of lifelong learning for loss of knowledge, the LSTM model is better than the other three models. This study also looks at the effect of lifelong learning by applying vocabulary updates, namely using the existing vocabulary in each source domain used. The lifelong learning ability with vocabulary updates for the transfer of knowledge of the LSTM model shows better results than the other three models. In lifelong learning problems with vocabulary updates for loss of knowledge the LSTM-CNNMRS model is better than the other three models. Based on the results obtained in this study, updating vocabulary can improve the ability of lifelong learning."

"ABSTRAKKanker payudara merupakan kanker yang umum terjadi pada wanita baikdi Indonesia ataupun di dunia. Pemeriksan tingkat sebaran sel kanker perludilakukan agar pengobatan yang diberikan tepat. Biopsi jaringan getah bening danpemeriksaan ahli patologi adalah salah satu metode untuk menentukan tingkatpenyebaran kanker. Kendala pada pemeriksaan manual membutuhkan waktu untukmemeriksa bagian perbagian dengan kemungkinan ada bagian yang terlewati,kesalahan dalam klasifikasi dan unsur subjektifitas saat memeriksa. Penggunaankecerdasan buatan dalam prapemeriksaan akan membantu dokter dalam memeriksadan menghilangkan unsur subjektifitas. Proses klasifikasi yang didapat diharapkanmembantu ahli patologi memeriksa dengan lebih cepat dan mengurangi tingkatkesalahan pemeriksaan. Proses dimulai dengan terlebih dahulu menentukan antaradaerah kosong dan daerah yang terdapat jaringan. Selanjutnya menentukan tingkatmetastasis berdasarkan hasil klasifikasi. Metode yang digunakan adalah denganmenggunakan teknik ambang gambar dalam menentukan batas gambar yang berisijaringan. Proses klasifikasi menggunakan jaringan saraf konvolusi (ConvolutionNeural Network (CNN)) dengan banyak klasifikasi sebanyak 5 kelompok selnormal dan 1 kelompok tumor. Hasil dari penggunaan metode ambang adaptifdapat memisahkah antara daerah kosong dan daerah berisi sel-sel. Metode jaringansaraf konvolusi ini dapat mengklasifikasikan dengan hasil sampai 86% dan tesdengan validasi data 80% untuk keseluruhan klasifikasi dan mencapai 93% untuksel tumor dan sel kanker. Hasil dari penentuan tingkat ditentukan oleh akurasi dariproses klasifikasi. Metode ambang gambar adaptif dapat menentukan area kosongdan berisi jaringan sesuai dengan yang diharapkan dan mempercepat prosespemeriksaan. Hasil klasifikasi dan menentukan tingkat dapat ditingkatkan denganmemperbaiki pembagian data-data pada dataset dan mengembangkan konfigurasidari jaringan saraf konvolusi dengan merubah struktur atau menambahkan denganmetode lain.

---

ABSTRACTBreast cancer is the most common cancer in women worldwide and the second mostcommon cancer in Indonesia. Metastasis is the medical term for cancer that spreadsto a different part of the body from where it started. Information from the lymphnode biopsy can help doctor that treatment decisions depend on stage of metastases.Normaly pathologist makes a diagnosis of the prepared sample slide from samplebiopsy with manual visual inspection. Manual diagnosis has the possibility to misssome section not checked, classification errors and subjectivity result. Theclassification process with AI will help the pathologist check faster, reduce the errorlevel and eliminate the subjectivity. The proposed Method using adaptivethresholding method in whole slide image is to determine the area to be processed.And Convolution Neural Network (CNN) for image classification. Adaptivethresholding have ability to separating the blank slide area and tissue area. CNN issuperior in image classification . Classification data for this thesis using 6classification, five class normal cell and one tumor. Adaptive thresholding methodin whole slide image can separate empty tissue and tissue with cell area. The resultCNN Method for overall accuracy 86% and accuracy for tumor cell is 93%.Classification and staging result can be improved by improving dataset for trainingand developing, change the configuration of CNN architecture or adding newmethod."

"Jalan raya merupakan infrastruktur yang penting karena digunakan untuk berlalu lintas sehari-hari. Kerusakan jalan sering terjadi dan salah satu jenis kerusakan jalan adalah retakan dan jalan yang berlubang. Image Processing merupakan salah satu metode untuk menentukan kerusakan jalan. Sejauh ini, penelitian mengenai deteksi retakan jalan kebanyakan masih menggunakan metode Convolutional Neural Network. Penelitian ini menggunakan You Only Look Once Version 5 dan Faster Object More Object Sebagai model dalam melakukan proses deteksi retakan dan lubang pada jalan dan sebagai salah satu pembanding untuk menentukan model mana yang lebih efisien dan akurat dalam melakukan deteksi terhadap retakan dan lubang tersebut. Dataset yang akan digunakan diambil dari jalan raya yang ada di negara Jepang dan Republik Ceko. Dataset yang digunakan memiliki 1000 Citra dengan ukuran 600x600 piksel. Jalan raya yang dijadikan dataset merupakan jalan dengan jenis material Aspal. Dalam Melakukan testing, dataset public tersebut akan digunakan dan dalam implementasinya, akan digunakan secara realtime dan akan diaplikasikan ke sebuah kamera eksternal webcam dalam mendeteksi retakan dan lubang pada jalan. Hasil yang akan didapatkan adalah berupa prediksi secara realtime berupa bounding box dengan tingkat confidence prediksi dari retakan untuk model YOLOv5 dan prediksi berupa lingkaran kecil dengan tingkat confidence prediksi retakan untuk model FOMO. Nilai perbandingan akurasi model YOLOv5 dan FOMO adalah 0.260 : 0.685 dengan deteksi berjalan dan 0.127 : 0.733 untuk deteksi menggunakan mobil. Sedangkan perbandingan nilai F1 score untuk adalah 0.41 : 0.813 untuk deteksi dengan berjalan dan 0.215 : 0.845 dengan deteksi menggunakan mobil.

---

Road is an important infrastructure because it’s used for daily traffic. Road Damage is usually happened on usual road, and one types of road damage is road crack and potholes. Image processing is one method that is used to determine a damaged road. So far, study about detection of crack and potholes used Convolutional Neural Network as their method. This research uses You Only Look Once Version 5 and Faster Object More Object as a method and models on the detection process of Road Crack and Potholes and as a comparison to determine which method and model is more efficient and accurate on detecting crack and potholes. Dataset that are used are taken from road on Japan and Republic of Czech. Dataset that are used consists of 1000 Images with the size of 600x600 pixel. Each picture contains crack, Potholes and road without crack and pothole. The road images that are taken are road with the material type of Asphalt. Testing will be done using the public dataset and, on the implementation, it will use external camera webcam on detecting potholes and crack on road real time. The results on Realtime detection are bounding box that are generated along with the prediction confidence of road crack on YOLOv5 model and small circle that are generated along with the prediction confidence of road crack on FOMO model. The comparison value of the accuracy of the YOLOv5 and FOMO models is 0.260 : 0.685 with walking detection and 0.127 : 0.733 for detection using a car. While the comparison of the F1 score for is 0.41 : 0.813 for detection by walking and 0.215: 0.845 for detection by car."