Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kegiatan operasional harian tempat-tempat publik terutama di Kampus Universitas Indonesia seperti kantin, ruang kelas, dan tempat lainnya selalu menghasilkan sampah setiap harinya. Sampah yang dihasilkan pun bermacammacam, dari organik maupun sampah anorganik. Kehadiran Laboratorium Parangtopo di UI sebagai pionir pengolahan sampah organik telah membuat sampah organik bernilai ekonomi yang menjanjikan. Maka dari itu, perlu ada sebuah mekanisme/sistem untuk melakukan pemantauan/pelacakan terhadap alur sampah dari hulu (awal sampah diproduksi) sampai ke hilir (sampah telah diterima Laboratorium Parangtopo) demi mengetahui kualitas sampah organik pada setiap tempat publik tersebut (misal fakultas teknik, fakultas hukum, dan lain-lain). Penelitian ini berfokus pada rancang bangun sistem pelacakan alur/supply chain sampah di UI menggunakan teknologi RFID dan perangkat IoT berupa ESP32. Metode penelitian melibatkan wawancara dan observasi langsung di Laboratorium Parangtopo, fakultas, dan ruang publik di Universitas Indonesia. Data yang dikumpulkan berupa jumlah sampah yang sedang dikirim ke Laboratorium Parangtopo dan meneruskan data tersebut ke server pusat di Laboratorium Parangtopo untuk pengolahan data lebih lanjut. Hasil penelitian menunjukkan bahwa sistem yang dibangun berhasil mengimplementasikan teknologi RFID dan IoT dengan baik, dengan pengujian fungsional menunjukkan semua fitur berjalan sesuai harapan, pengujian kinerja menunjukkan jarak baca perangkat kurang dari 2 sentimeter serta kecepatan setiap fitur mengirim data ke server kurang dari 2 detik setelah pengujian sebanyak 40 kali untuk setiap fitur yang ada.

---

The daily operational activities in public places, especially at the University of Indonesia campus such as cafeterias, classrooms, and other areas, always generate waste every day. The waste produced varies, including both organic and inorganic waste. The presence of the Parangtopo Laboratory at UI as a pioneer in organic waste processing has made organic waste economically promising. Therefore, a mechanism/system is needed to monitor/track the waste flow from upstream (the initial production of waste) to downstream (waste received by the Parangtopo Laboratory) to determine the quality of organic waste in each public place (e.g., the Faculty of Engineering, Faculty of Law, etc.). This research focuses on designing a waste flow/supply chain tracking system at UI using RFID technology and IoT devices such as the ESP32. The research method involves interviews and direct observations at the Parangtopo Laboratory, faculties, and public spaces at the University of Indonesia. The data collected includes the amount of waste being sent to the Parangtopo Laboratory and transmitting this data to the central server at the Parangtopo Laboratory for further data processing. The research results show that the system successfully implements RFID and IoT technology, with functional testing demonstrating that all features operate as expected, performance testing indicating a reading distance of less than 2 centimeters, and the speed of each feature sending data to the server being less than 2 seconds after 40 attempts of testing for each feature."

"Teknologi komputasi cloud merupakan sebuah pool besar yang terdiri dari sumber daya komputasi yang di virtualisasikan, sehingga pengguna dapat mengakses dan menggunakannya. Cloud telah diadaptasi oleh banyak perusahaan besar di bidang IT, seperti Google, IBM, Amazon dan masih banyak lagi. Oleh karena itu, keamanan pada teknologi cloud menjadi prioritas utama, sehingga bisa terhindar dari serangan cyber. Advanced Persistent Threat (APT) merupakan sebuah serangan cyber yang bertujuan untuk mendapatkan akses terhadap sistem atau jaringan, sehingga bisa melakukan pencurian data. Berbeda dengan teknik pencurian data biasa yang bersifat "smash and grab", APT akan tetap berada pada sistem target dalam periode waktu tertentu, sehingga penyerang bisa mengakses dan mengambil data target secara terus menerus, tanpa bisa terdeteksi. Hal ini membuat APT menjadi salah satu ancaman cyber yang sulit untuk dicegah, khususnya pada cloud environment. Metode keamanan analitik menjadi salah satu solusi yang bisa digunakan untuk bisa mengatasi serangan APT pada cloud environment, hal ini dikarenakan data yang dihasilkan semakin banyak, dan infrastruktur dari cloud juga mempunyai kapasitas yang besar untuk bisa menangani banyak nya data yang dihasilkan, sehingga metode keamanan lama yang sering diterapkan menjadi tidak lagi efisien. Salah satu metode keamanan analitik yang dapat diterapkan pada teknologi cloud adalah dengan menggunakan Security Information Event Management (SIEM) yang disediakan oleh banyak vendor seperti IBM dengan IBM QRadar. Hasilnya didapatkan bahwa kinerja tingkat deteksi SIEM dengan IBM Qradar terhadap ancaman serangan APT tidak optimal dengan pendeteksian hanya sebesar 57,1% dan yang terdeteksi sebagai kategori penyerangan sebesar 42,9% dari total 4 serangan yang dilancarkan. Hal ini dikarenakan IBM Qradar memerlukan beberapa ekstensi tambahan, sehingga membutuhkan resource komputasi yang lebih besar agar bisa meningkatkan kemampuan deteksi terhadap serangan APT.

---

Cloud computing technology is a large pool of virtualized computing resources, so that users can access and use them. Cloud has been adapted by many large companies in the IT field, such as Google, IBM, Amazon and many more. Therefore, security in cloud technology is a top priority, so that it can avoid cyber attacks. Advanced Persistent Threat (APT) is a cyber attack that aims to gain access to a system or network, so that it can carry out data theft. Unlike the usual "smash and grab" data theft technique, the APT will remain on the target system for a certain period of time, so that attackers can access and retrieve target data continuously, without being detected. This makes APT one of the most difficult cyber threats to prevent, especially in cloud environments. Analytical security methods are one of the solutions that can be used to overcome APT attacks in the cloud environment, this is because more and more data is generated, and the infrastructure of the cloud also has a large capacity to be able to handle a lot of data generated, so the old security method which are often applied become inefficient. One of the analytical security methods that can be applied to cloud technology is to use Security Information Event Management (SIEM) that have been provided by many vendors such as IBM with IBM Qradar. The result shows that the performance of SIEM detection rate with IBM Qradar against APT attack is not optimal with only 57.1% detection rate and 42.9% detected as an attack category out of a total of 4 attacks launched. This is because IBM Qradar needs some additional extension, thus requiring more additional computing resources in order to increase the detection rate ability against APT attack."

"Popularitas sebuah paper yang terpublikasi dapat dilihat dari jumlah sitasi yang diperoleh paper tersebut. Akan tetapi, faktor-faktor yang mendukung banyak atau sedikitnya jumlah sitasi yang diperoleh bisa bermacam-macam. Faktor-faktor tersebut merupakan fokus pencarian pada penelitian ini. Pendekatan machine learning digunakan untuk mengetahui faktor-faktor tersebut. Beberapa fitur telah diekstrak dari dataset yang berisi kumpulan paper. Metode klasifikasi digunakan dalam supervised learning dengan model yang dibentuk dari dataset yang digunakan. Algoritma Logistic Regression dipakai untuk melakukan fitting terhadap model dengan hasil daya diskriminasi sistem sebesar 74,1% yang dilihat dari luas wilayah di bawah kurva ROC (Area Under Curve/AUC). Nilai koefisien dari model Logistic Regression digunakan sebagai feature importance untuk mencari nilai pengaruh dari tiap fitur terhadap output klasifikasi baik positif maupun negatif.

---

Popularity of a published paper can be indicated by its citation number. However, the factors determining the number of citation may vary. Those factors are the focus of this research. A machine learning approach is used to find out the factors. Some features are going to be extracted from a dataset of published papers. A classification method is going to be applied in a supervised learning with the machine learning model extracted from the dataset. A classification algorithm Logistic Regression is used to fit the model resulting a discrimination power of 74.1% from a calculation of area under ROC curve (AUC). A feature importance approach using coefficient score from Logistic Regression is also applied in determining the importance of each feature in determining the negative and positive classification."