Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAK

Pada saat ini metode pengukuran tekanan darah secara non-invasive paling banyak digunakan baik didalam maupun diluar fasilitas kesehatan. Namun metode tersebut masih membuat pengguna tidak nyaman karena adanya tekanan manset pada saat pengukurannya. Beberapa metode non-invasive tanpa manset telah dikembangkan salah satunya adalah metode pulse wave analysis (PWA). Photoplethysmograpy (PPG) merupakan satu-satunya masukan dan dasar bagi perhitungan pengukuran tekanan darah pada metode PWA. Tantangan utama dalam menggunakan metode PWA berbasis PPG adalah akurasinya sangat dipengaruhi oleh noise. Selain itu, karakteristik PPG bervariasi tergantung pada kondisi fisiologis, karenanya sistem harus melakukan kalibrasi untuk menyesuaikan perubahan tersebut. Kami berupaya mengatasi keterbatasan tersebut dan mengusulkan pengembangan metode pulse wave analysis untuk klasifikasi tekanan darah secara non-invasive berbasis PPG menggunakan kombinasi algoritma Bidirectional Long Term Memory (BSLTM) dengan Time Frequency Analysis (TFA). Kami menggunakan 121 subyek untuk pengujian model yang bersumber dari figshare database dan mengklasifikasikannya ke dalam tiga tingkatan klasifikasi: normotension (NT), prehypertension (PHT), hypertension (HT) sesuai dengan standar klinis Join National Commitee. Pelatihan jaringan BLSTM menggunakan fitur TFA, secara signifikan meningkatkan efisiensi dengan mengurangi waktu pelatihan sekaligus meningkatkan akurasi klasifikasi. Metode yang diusulkan berhasil mengklasifikasikan tekanan darah dengan rata-rata nilai accuracy pada NT, PHT, dan HT masing-masing 92.43%, 94.83%, dan 94.01%. 

---

ABSTRACT

---

The blood pressure measurement non-invasive methods that are presently implemented using a cuff cause discomfort, particularly for injured people, overweight people, and infants. Several non-invasive cuff-less methods have been developed, one of which is the pulse wave analysis (PWA) method. Photoplethysography (PPG) is the only input and basis for the calculation of blood pressure measurements in the PWA method.The main challenge in using the PPG method is that its accuracy is greatly influenced by motion artifacts. In addition, the characteristics of PPG vary depending on physiological conditions; hence, the system must be calibrated to adjust for such changes. We attempt to address these limitations and propose a novel method for the classification of BP using a bidirectional long short-term memory (BLSTM) network with time-frequency analysis (TFA) based on PPG signals. We used 121 subjects from the figshare database for model testing and classify into three classification levels: normotension (NT), prehypertension (PHT), and hypertension (HT) according to the Join National Committee. BLSTM network training uses the TFA feature, significantly increasing efficiency by reducing training time while increasing classification accuracy. The proposed method is successful in the classification of BP with accuracy values of NT, PHT, and HT; 92.43%, 94.83%, and 94.01% respectively. 

"

"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."

"Tren adalah suatu pola yang berulang, sementara analisis tren merupakan praktik pengumpulan dan analisis data dalam upaya untuk menemukan pola tersebut. Analisis tren adalah suatu metode untuk memproyeksikan kondisi masa depan berdasarkan data masa lalu hingga saat ini. Tinjauan literatur sistematis, bibliometrik, dan topic modeling adalah beberapa contoh pendekatan yang sering dipakai untuk menangkap fenomena perkembangan tren sains dan teknologi. Penelitian ini bertujuan untuk melakukan pengujian dan implementasi algoritma deteksi topik berbasis clustering yang dikombinasikan dengan analisis kualitatif dalam pendeteksian tren topik untuk mendapatkan gambaran yang menyeluruh mengenai konsep, struktur ilmiah, topik utama, dan perkembangan bidang teknologi big data dan smart sustainable city. Analisis topik dilakukan terhadap kumpulan data bibliografi publikasi ilmiah terkait kedua bidang tersebut yang didapat dari basis data Scopus dan CORE. Pengujian terhadap kinerja algoritma Deep-autoencoder based Fuzzy C-Means (DFCM) untuk deteksi topik dari corpus dokumen publikasi ilmiah menunjukkan bahwa algoritma DFCM menunjukkan kinerja yang baik serta dapat mengungguli kinerja algoritma-algoritma standar yang banyak dipakai untuk pendeteksian topik seperti Non-negatif Matrix Factorization (NMF) dan Latent Dirichlet Allocation (LDA) pada corpus dengan ukuran besar. Analisis hasil clustering terhadap data publikasi ilmiah memberikan gambaran perkembangan dan topik-topik yang menjadi “highlight” dalam periode tertentu, mencari research gap dan mengetahui karakteristik penelitian, serta memprediksi topik penelitian apa saja yang menjanjikan di masa depan.

---

A trend is a recurring pattern, while trend analysis is the practice of collecting and analyzing data to find that pattern. Trend analysis is a method for projecting future conditions based on past to present data. Systematic literature review, bibliometrics, and topic modeling are examples of approaches that are often used to capture the phenomenon of the development of science and technology trends. This study examined and implemented clustering-based topic detection algorithms, combined with qualitative analysis, to comprehensively picture the concept, scientific structure, main topics, and developments in big data technology and smart and sustainable city. The topic analysis is performed on collecting bibliographic data from scientific publications related to these two fields obtained from the Scopus and CORE database. In this research, the deep-autoencoder based on the Fuzzy C-Means (DFCM) algorithm's performance for topic detection from the corpus of scientific publication documents was examined. Based on the experiment's results, it can be concluded that the DFCM algorithm shows good performance and can outperform standard algorithms that are widely used for topic detection, such as Non-negative Matrix Factorization (NMF) and Latent Dirichlet Allocation (LDA) on topic detection tasks in huge corpus text. The clustering results analysis on scientific publication data provides an overview of research topics and developments that become "highlights" in a certain period, discover research gaps and characteristics, and predict what research topics are promising in the future."