Hasil Pencarian  ::  Simpan CSV :: Kembali

"Konsumsi energi listrik di daerah pemukiman menjadi faktor utama peningkatan emisi karbon. Demi mengurangi pemakaiannya, penting untuk pihak operasional dapat mengawasi dan memantau pemakaian energi listrik. Selain itu, perlu diketahui juga faktor-faktor yang dapat memengaruhi tingkat konsumsi listrik. Kondisi cuaca eksrim akibat pemanasan global dapat memengaruhi tingkat pemakaian energi listrik. Menggunakan machine learning, khususnya regression, pemakaian energi listrik dapat diprediksi secara akurat berdasarkan data cuaca. Elasticsearch dan Kibana menjadi alat yang dapat digunakan untuk membantu pembuatan dashboard interaktif. Dengan kemampuan machine learning, Elasticsearch dapat melakukan analitik data dan memprediksi pemakaian energi listrik. Model machine learning menggunakan library XGBoost dimana nilai koefisien determinasi (R2), Mean Absolute Error, dan nilai Explained Variance dijadikan penilaian prediksi. Dari model yang dibuat, nilai R2 didapatkan sebesar 0,05, Mean Absolute Error sebesar 12,58, dan Explained Variance bernilai 0,07. Dengan dashboard yang telah dibuat dilakukan pengujian pengguna terhadap sistem berupa survei kepada 41 pengguna dimana diuji kepuasannya terhadap sistem. Survei yang diberikan berupa kuisioner menggunakan google form. Dari hasil yang didapat, sebanyak 46,3% dari responden memiliki pengalaman yang positif dan 26,8% responden memiliki pengalaman yang sangat positif ketika menggunakan sistem dashboard. Dari hasil penelitian ini diharapkan bagi pengguna dan pihak operasional dapat dengan mudah mengambil keputusan untuk dapat mengurangi pemakaian energi listrik.

---

Consumption of electrical energy in residential areas is the main factor in increasing carbon emissions. In order to reduce its use, it is important for the operational party to be able to monitor the use of electrical energy. In addition, it is also necessary to know the factors that can affect the level of electricity consumption. Extreme weather conditions due to global warming can affect the level of electrical energy consumption. Using machine learning, especially regression, electrical energy consumption can be predicted accurately based on weather data. Elasticsearch and Kibana are tools that can be used to help create interactive dashboards. With machine learning capabilities, Elasticsearch can perform data analytics and predict electrical energy consumption. The machine learning model uses the XGBoost library where the coefficient of determination (R2), Mean Absolute Error, and Explained Variance values are used as predictive assessments. From the model made, the R2 value is 0.05, the Mean Absolute Error is 12.58, and the Explained Variance is 0.07. With the dashboard that has been created, user testing of the system is carried out in the form of a survey to 41 users where their satisfaction with the system is tested. The survey was given in the form of a questionnaire using a google form. From the results obtained, as many as 46.3% of respondents had a positive experience and 26.8% of respondents had a very positive experience when using the dashboard system. It is hoped that users and operational parties can easily make decisions to reduce the use of electrical energy."

"Automated test adalah otomatisasi dari aktivitas software testing menggunakan testing tool. Namun, pada kenyataannya, testing tool untuk melakukan automated test masih memiliki kekurangan. Berdasarkan wawancara dengan Tim Research and Development (Tim RnD) PT. Global Digital Niaga (Blibli), automated test pada Blibli dieksekusi secara berkala dengan bantuan automation server sehingga menghasilkan report yang terpisah-pisah. Hal tersebut disebabkan testing tool membuat satu report setiap kali test cases dieksekusi. Berdasarkan masalah tersebut, tim pengembang merealisasikan project “Error Book”, sebuah dashboard automated test error. Error Book memanfaatkan custom maven plugin dan Elastic Stack untuk mengelola data dari automated test secara real-time sehingga dapat disajikan pada aplikasi front-end dashboard. Dengan Error Book, Tim RnD akan lebih mudah untuk mendapatkan informasi mengenai error yang terjadi pada automated test secara keseluruhan. Informasi tersebut akan menjadi acuan untuk melakukan improvement. QA engineer akan lebih mudah mengidentifikasi error yang sering terjadi pada automated test milik divisinya sehingga perbaikan preventif dan represif untuk error tersebut dapat dilakukan dengan cepat. Tim pengembang telah melakukan user acceptance testing (UAT) kepada Tim RnD Blibli, QA engineer Blibli, dan QA engineer perusahaan lain.

---

Automated test is the automation of software testing activities using testing tools. However, in reality, testing tools to perform automated tests still have drawbacks. Based on interviews with the Research and Development Team (RnD Team) at PT. Global Digital Niaga (Blibli), automated tests at Blibli are executed periodically with the help of an automation server. Hence, it generates separate reports. This is because the testing tool creates one report each time a test case is executed. Based on this problem, we develop the “Error Book” project, an automated test error dashboard. Error Book utilizes a custom maven plugin and Elastic Stack to manage data from automated tests in real-time so that it can be presented in front-end dashboard application. With Error Book, the RnD team can get information about errors that occur in the automated test as a whole easier. This information will serve as a reference for making improvements. QA engineers can easily identify errors that often occur in their division's automated tests so that preventive and repressive repairs for these errors can be carried out quickly. We have carried out user acceptance testing (UAT) to Blibli RnD team, QA engineers at Blibli, and QA engineers at other companies."

"Tujuan dari pengembangan proyek Automatic Indonesian News Generation System (AINGS) adalah untuk mengoptimalkan proses penyuntingan dan pengiriman berita di era digital, dengan fokus khusus pada aspek usability layanan web dan e siensi basis data. Proses pengembangan dimulai dengan pemetaan kebutuhan fungsional sistem de- ngan tur yang akan diimplementasi. Kebutuhan fungsional sistem mencakup pengelo- laan draf berita, pembuatan draf berita dan validasi draf berita secara otomatis serta komu- nikasi antara redaktur dan wartawan. Implementasi tur diwujudkan dengan layanan web berupa REST API yang terintegrasi dengan basis data serta layanan web machine learn- ing. Perancangan basis data dilakukan dengan melibatkan identi kasi empat entitas utama dan identi kasi hubungan antar entitas. Pengembangan basis data dilanjutkan dengan melakukan normalisasi hingga Third Normal Form (3NF) untuk memastikan konsistensi dari data yang disimpan serta e siensi dalam waktu pemrosesan. Selain itu, dilakukan im- plementasi Elasticsearch dan performanya dibandingkan dengan PostgreSQL dalam hal waktu pemrosesan untuk pencarian draf berita. Evaluasi layanan web dilakukan dengan melakukan integration testing dan evaluasi usability menggunakan heuristik. Hasil inte- gration testing menunjukan layanan web lulus semua skenario tes dan mampu memenuhi seleuruh kebutuhan fungsional sistem. Berdasarkan hasil evaluasi heuristik, layanan web yang dikembangkan mencapai nilai metrik knowability (96.49%) dan robustness (100.00%) yang baik namun untuk metrik operability (84.07%) dan ef ciency (83.33%) dapat ditingkatkan dengan memberikan opsi format data pada request dan menerapkan caching. Hasil evaluasi basis data menunjukan bahwa normalisasi pada tahap Second Normal Form (2NF) memberikan waktu pemrosesan yang lebih optimal dengan tetap memastikan konsistensi data yang terjaga. Rata-rata waktu pemrosesan yang dihasilkan oleh tahap 2NF adalah 1,712ms, sedangkan pada tahap 3NF mencapai 3,363ms. Semen- tara itu, penerapan Elasticsearch meningkatkan kinerja pencarian sehingga menghasilkan waktu pemrosesan yang lebih cepat. Menggunakan kata kunci pencarian ”Jakarta”, Elas- ticsearch dapat memproses permintaan hanya dalam waktu 8ms, sementara PostgreSQL membutuhkan waktu hingga 142,943ms.

---

The objective of developing the "Automatic Indonesian News Generation System" (AINGS) project is to optimize the editing and delivery process of news in the digital era, with a particular focus on the usability of web services and the ef ciency of the database. The development process begins with mapping the system’s functional requirements to the features to be implemented. The functional requirements of the system include man- aging news drafts, creating news drafts, and validating news drafts automatically, as well as communication between editors and reporters. The feature implementation is real- ized through a web service in the form of a REST API integrated with a database and machine learning web services. The database design involves identifying four main en- tities and the relationships between them. The database development is continued with normalization up to the Third Normal Form (3NF) to ensure consistency of the stored data and ef ciency in processing time. Additionally, Elasticsearch is implemented, and its performance is compared with PostgreSQL in terms of processing time for searching news drafts. The web service evaluation is carried out by conducting integration testing and usability evaluation using heuristics. The integration testing results show that the web service passes all test scenarios and meets all the system’s functional requirements. Based on the heuristic evaluation results, the developed web service achieves good met- rics in knowability (96.49%) and robustness (100.00%), but for operability (84.07%) and ef ciency (83.33%) metrics, improvements can be made by providing data format options in requests and implementing caching. The database evaluation results show that normal- ization at the Second Normal Form (2NF) stage provides more optimal processing time while ensuring data consistency. The average processing time produced by the 2NF stage is 1,712ms, while at the 3NF stage, it reaches 3,363ms. Meanwhile, the implementation of Elasticsearch enhances search performance, resulting in faster processing times. Using the search keyword ”Jakarta,” Elasticsearch can process requests in just 8ms, while Post- greSQL requires up to 142,943ms."

"Wazuh merupakan sistem Security Information Event Management (SIEM) dan aplikasi open-source host-based intrusion detection sistem (HIDS) yang dapat melakukan memantau infrastruktur, mendeteksi ancaman, upaya penyusupan, anomali sistem, penilaian konfigurasi, dan tindakan pengguna yang tidak sah. Wazuh juga menyediakan kerangka kerja untuk respons insiden dan kepatuhan terhadap peraturan (Regulatory Compliance). Penelitian ini akan mengembangkan Wazuh dengan mengintegrasikan tiga Application Programming Interface (API) untuk meningkatkan kinerja Wazuh sebagai sistem SIEM. Penelitian ini akan membandingkan Wazuh dengan Solarwinds SEM untuk membandingkan kinerja dari kedua sistem SIEM dengan melakukan lima skenario penyerangan. Skenario tersebut dilakukan untuk menguji kinerja deteksi serangan dari kedua sistem SIEM. Sebelum scenario dilakukan penulis mengintegrasikan tiga API yaitu VirusTotal, Yara dan Suricata untuk memaksimalkan kinerja sistem SIEM Wazuh. Sistem SIEM Wazuh mempunyai akurasi sebesar 100% dalam mendeteksi seluruh serangan yang dilakukan sementara sistem SIEM Solarwinds SEM hanya mempunyai akurasi sebesar 40% dalam mendeteksi kelima skenario.

---

Wazuh is a Security Information Event Management (SIEM) and open-source host-based intrusion detection system (HIDS) application that can monitor infrastructure, detect threats, intrusion attempts, system anomalies, configuration assessments, and unauthorized user actions. Wazuh also provides a framework for incident response and regulatory compliance. This research will develop Wazuh by integrating three Application Programming Interfaces (API) to improve Wazuh's performance as a SIEM system. This study will compare Wazuh with Solarwinds SEM to compare the performance of the two SIEM systems by performing five attack scenarios. The scenario was carried out to test the attack detection performance of the two SIEM systems. Before the scene was carried out, the author integrated three APIs, namely VirusTotal, Yara, and Suricata to maximize the performance of the Wazuh SIEM system. The Wazuh SIEM system has 100% accuracy in detecting all attacks carried out while the Solarwinds SEM SIEM system only has 40% accuracy in detecting all five scenarios."