Jurnal Teknologi dan Sistem Komputer
Not a member yet
364 research outputs found
Sort by
Perbandingan kinerja RSA dan AES terhadap kompresi pesan SMS menggunakan algoritme Huffman
Get PDFImproved security of short message services (SMS) can be obtained using cryptographic methods, both symmetric and asymmetric, but must remain efficient. This paper aims to study the performance and efficiency of the symmetric crypto of AES-128 and asymmetric crypto of RSA with message compression in securing SMS messages. The ciphertext of RSA and AES were compressed using the Huffman algorithm. The average AES encryption time for each character is faster than RSA, which is 5.8 and 24.7 ms/character for AES and AES+Huffman encryption and 8.7 and 45.8 ms/character for RSA and RSA+Huffman, from messages with 15, 30, 60, and 90 characters. AES decryption time is also faster, which is 27.2 ms/character compared to 47.6 ms/character in RSA. Huffman compression produces an average efficiency of 24.8 % for the RSA algorithm, better than 17.35 % of AES efficiency for plaintext of 1, 16, 45, and 88 characters.Peningkatan keamanan layanan pesan singkat (SMS) dapat dilakukan dengan menggunakan metode kriptografi, baik simetris maupun asimetris, namun harus tetap efisien. Penelitian ini bertujuan untuk membandingkan kinerja dan efisiensi dari sistem kripto simetris AES-128 dan asimetris RSA terhadap kompresi data dalam mengamankan pesan SMS. Hasil enkripsi algoritme RSA dan AES dipadatkan menggunakan algoritme Huffman. Kinerja waktu enkripsi dan dekripsi rata-rata tiap karakter AES lebih cepat daripada RSA, yaitu 5,8 dan 24,7 mdetik/karakter untuk enkripsi AES dan AES+Huffman serta 8,7 dan 45,8 mdetik/karakter untuk enkripsi RSA dan RSA+Huffman, dari pesan dengan 15, 30, 60, dan 90 karakter. Waktu dekripsi AES lebih cepat, yaitu 27,2 mdetik/karakter dibandingkan 47,6 mdetik/karakter pada RSA. Kompresi Huffman menghasilkan efisiensi rata-rata sebesar sebesar 24,8 % untuk algoritme RSA yang lebih baik daripada efisisiensi 17,35 % pada AES untuk karakter plainteks 1, 16, 45, dan 88 karakter
Algoritme penggantian cache proxy terdistribusi untuk meningkatkan kinerja server web
Get PDFThe performance of web processing needs to increase to meet the growth of internet usage, one of which is by using cache on the web proxy server. This study examines the implementation of the proxy cache replacement algorithm to increase cache hits in the proxy server. The study was conducted by creating a clustered or distributed web server system using eight web server nodes. The system was able to provide increased latency by 90 % better and increased throughput of 5.33 times better.Kinerja pemrosesan web perlu meningkat untuk memenuhi pertumbuhan penggunaan internet, salah satunya dengan menggunakan cache pada server proxy web. Penelitian ini mengkaji implementasi algoritme penggantian cache proxy untuk meningkatkan cache hit dalam server proxy. Penelitian dilakukan dengan membuat sistem web server secara cluster atau terdistribusi dengan menggunakan delapan buah node web server. Sistem menghasilkan peningkatan latensi sebesar 90 % lebih baik dan peningkatan throughput sebesar 5,33 kali lebih baik
Reduksi bising seismik secara adaptif menggunakan filter Wiener
Get PDFSeismic noise disrupts the earthquake observation system due to the frequency and amplitude of seismic noise similar to the earthquake signal. The filter process is one of the methods that can be used to reduce seismic noise. In this study, the Wiener filter algorithm was designed with the Decision-Directed method for Apriori SNR estimation. This filter was chosen because it is adaptive, so it can adjust to environmental conditions without requiring manual parameter settings. The data used are earthquake signals that occur in the Palu area, Central Sulawesi, which are recorded on PKA29 temporary seismic station from February 3 to April 28, 2015. After each signal data has been filtered, then it is evaluated by calculating SNR differences before and after filtering, the signal's dominant frequency, and the cross-correlation of the signal before and after filtering. As a result, the Wiener filter is able to reduce the noise content in earthquake signals according to noisy frequencies before earthquake signals. The impact is that SNR has increased with an average of 8.056 dB. In addition, this filter is also able to maintain the shape of earthquake signals. This is indicated by the normalization value of the cross-correlation between signals before and after the filter which ranges from 0.703 to 1.00.Bising seismik sangat mengganggu sistem pengamatan gempabumi karena ada banyak kasus sinyal gempabumi tidak teramati akibat bising seismik memiliki karakter frekuensi dan amplitudo yang mirip dengan sinyal gempabumi. Salah satu metode untuk mereduksi bising seismik adalah dengan proses filter. Pada studi ini dirancang algoritma filter Wiener dengan metode Decision-Directed untuk estimasi SNR Apriori. Filter ini dipilih karena bersifat adaptif sehingga dapat menyesuaikan dengan kondisi bising lingkungan tanpa membutuhkan pengaturan parameter secara manual. Data yang digunakan berupa sinyal gempabumi di wilayah Palu, Sulawesi Tengah, yang terekam pada stasiun seismik temporer PKA29 mulai tanggal 3 Februari hingga 28 April 2015. Setelah dilakukan proses filter pada masing-masing data sinyal, hasilnya dievaluasi dengan menghitung perbedaan SNR sebelum dan setelah difilter, frekuensi dominan sinyal , dan korelasi silang sinyal sebelum dengan setelah difilter. Hasilnya, filter Wiener mampu mereduksi sesuai frekuensi bising sebelum sinyal gempabumi sehingga setelah proses filter sinyal gempabumi mengalami peningkatan SNR (Signal to Noise Ratio) dengan rata-rata peningkatan sebesar 8,056 dB. Selain itu, filter ini juga mampu mempertahankan bentuk sinyal gempabumi hasil filter. Hal ini ditunjukkan dengan nilai normalisasi korelasi silang antara sinyal sebelum dan setelah filter yang berkisar antara 0,703 hingga 1,00
RSA algorithm using key generator ESRKGS to encrypt chat messages with TCP/IP protocol
Get PDFPenelitian ini bertujuan untuk menganalisis kinerja dan keamanan dari algoritme RSA yang dikombinasikan dengan metode pembangkitan kunci enhanced and secured RSA key generation scheme (ESRKGS). Metode tersebut diterapkan pada aplikasi pesan instan menggunakan socket TCP. ESRKGS merupakan pengembangan dari improvisasi RSA dengan menambahkan empat bilangan prima di dalam properti yang tertanam di dalam pembangkitan kunci. Algoritme ESRKGS+RSA dirancang dengan menggunakan pengembangan RSA standar dengan memodifikasi pasangan kunci privat dan publik. Modifikasi tersebut bertujuan agar dapat mempersulit dalam memfaktorkan bilangan besar n menjadi faktor primanya. Pengujian kinerja menunjukkan bahwa ESRKGS+RSA membutuhkan waktu 10,437 ms yang lebih cepat daripada RSA improvisasi yang sama-sama menggunakan empat bilangan prima dalam proses pembangkitan kunci pada bilangan prima 1024 bit. Hal tersebut berlaku juga pada proses enkripsi dan dekripsi. Pengujian keamanan dengan menggunakan faktorisasi Fermat untuk pada kunci 32 bit tidak ditemukan nilai faktor bilangan prima. Pengujian tersebut diproses selama 15 jam sampai sumberdaya komputer habis.This study aims to analyze the performance and security of the RSA algorithm in combination with the key generation method of enhanced and secured RSA key generation scheme (ESRKGS). ESRKGS is an improvement of the RSA improvisation by adding four prime numbers in the property embedded in key generation. This method was applied to instant messaging using TCP sockets. The ESRKGS+RSA algorithm was designed using standard RSA development by modified the private and public key pairs. Thus, the modification was expected to make it more challenging to factorize a large number n into prime numbers. The ESRKGS+RSA method required 10.437 ms faster than the improvised RSA that uses the same four prime numbers in conducting key generation processes at 1024-bit prime number. It also applies to the encryption and decryption process. In the security testing using Fermat Factorization on a 32-bit key, no prime number factor was found. The test was processed for 15 hours until the test computer resource runs out
Combining the NER-OCR methods to improve information retrieval efficiency in the Indonesian posters
Get PDFPenyelenggara acara di Indonesia seringkali menggunakan situs web untuk menyebarkan informasi tentang acara tersebut melalui poster digital. Namun, proses mentransfer informasi dari poster ke situs web secara manual terkendala oleh efisiensi waktu, mengingat makin banyaknya poster yang diunggah. Di sisi lain, metode pengambilan informasi berbasis teknologi informasi, seperti Named Entity Recognition (NER), untuk poster berbahasa Indonesia masih jarang dibahas di literatur, sedangkan penerapan NER terhadap korpus berbahasa Indonesia ditantang dalam peningkatan akurasi karena bahasa Indonesia adalah bahasa dengan sumber daya rendah yang menyebabkan minimnya ketersediaan korpus sebagai referensi. Artikel ini mengusulkan solusi untuk meningkatkan efisiensi waktu ekstraksi informasi dari poster digital. Solusi yang diusulkan merupakan kombinasi antara metode NER dengan Optical Character Recognition (OCR) untuk mengenali teks di poster yang dikembangkan dengan dukungan korpus data latih yang relevan untuk meningkatkan akurasi. Hasil percobaan menunjukkan bahwa sistem mampu meningkatkan efisiensi waktu sebesar 94 % dengan akurasi 82-92 % untuk beberapa entitas informasi yang diekstraksi untuk 50 poster digital uji.Event organizers in Indonesia often use websites to disseminate information about these events through digital posters. However, manually processing for transferring information from posters to websites is constrained by time efficiency, given the increasing number of posters uploaded. Also, information retrieval methods, such as Named Entity Recognition (NER) for Indonesian posters, are still rarely discussed in the literature. In contrast, the NER method application to Indonesian corpus is challenged by accuracy improvement because Indonesian is a low-resource language that causes a lack of corpus availability as a reference. This study proposes a solution to improve the efficiency of information extraction time from digital posters. The proposed solution is a combination of the NER method with the Optical Character Recognition (OCR) method to recognize text on posters developed with the support of relevant training data corpus to improve accuracy. The experimental results show that the system can increase time efficiency by 94 % with 82-92 % accuracy for several extracted information entities from 50 testing digital posters
Face recognition system with PCA-GA algorithm for smart home door security using Rasberry Pi
Get PDFAlgoritme genetika (GA) dapat meningkatkan proses klasifikasi pengenalan wajah pada algoritme principal component analysis (PCA). Namun, akurasi penerapan algoritme tersebut untuk sistem keamanan rumah pintar belum dianalisis lebih lanjut. Artikel ini mengkaji tingkat akurasi pengenalan wajah menggunakan PCA-GA untuk sistem keamanan rumah pintar pada Raspberry Pi. PCA digunakan sebagai algoritme pengenalan wajah. GA digunakan untuk meningkatkan kinerja klasifikasi pencarian citra wajah. Algoritme PCA-GA diimplementasikan di Raspberry Pi 3 model B untuk pemrosesan citra. Sensor ultrasonik dan modul kamera dipasang di Raspberry Pi. Cara kerja dari sistem adalah jika yang berwenang mengakses pintu rumah, maka relay akan membuka pintu. Evaluasi kinerja digunakan untuk mengukur akurasi dari algoritme PCA-GA dibandingkan algoritme pengenalan wajah yang lain, yaitu LBPH-GA dan PCA. Hasil menunjukkan bahwa metode pengenalan wajah menggunakan PCA-GA memiliki tingkat akurasi yang besar, yaitu 90 %, dibandingkan dengan algoritme PCA dan LBPH-GA dengan akurasi 80 % dan 90 %.Genetic algorithm (GA) can improve the classification of the face recognition process in the principal component analysis (PCA). However, the accuracy of this algorithm for the smart home security system has not been further analyzed. This paper presents the accuracy of face recognition using PCA-GA for the smart home security system on Raspberry Pi. PCA was used as the face recognition algorithm, while GA to improve the classification performance of face image search. The PCA-GA algorithm was implemented on the Raspberry Pi. If an authorized person accesses the door of the house, the relay circuit will unlock the door. The accuracy of the system was compared to other face recognition algorithms, namely LBPH-GA and PCA. The results show that PCA-GA face recognition has an accuracy of 90 %, while PCA and LBPH-GA have 80 % and 90 %, respectively
Penghitung orang pada video CCTV menggunakan metode histogram of oriented gradient dan filter Kalman
Get PDFCCTV cameras have an important function in the field of public service, especially for convenience. The objects recorded through CCTV cameras are processed into information to support service satisfaction in the community. This study uses the function of CCTV for people counting from objects recorded by a camera. Currently, the process of detecting and tracking people takes a long time to detect all frames. In this study, the frame selection into keyframes uses the mutual information entropy method. The keyframes processing uses the Histogram of Oriented Gradient (HOG) and Kalman filter methods. The proposed method results F1 value of 0.85, recall of 76 %, and precision of 97 % with winStride parameter (12,12), scale 1.05, and the distance of the human object to CCTV 4 meters.Kamera CCTV mempunyai peran penting dalam bidang pelayanan publik, terutama dalam hal kenyamanan. Objek yang terekam kamera CCTV diolah menjadi sebuah informasi sebagai penunjang kepuasan layanan kepada masyarakat. Penelitian ini menggunakan fungsi CCTV untuk menghitung jumlah orang yang terekam kamera. Proses deteksi dan pelacakan orang membutuhkan waktu yang lama jika harus mendeteksi pada semua frame. Metode Mutual Information Entropy digunakan untuk menyeleksi frame menjadi keyframe. Keyframe yang diperoleh selanjutnya diolah menggunakan metode histogram of oriented gradient (HOG) dan filter Kalman. Metode yang diusulkan dengan parameter winStride (12,12) dan scale 1,05 untuk perhitungan orang memberikan hasil nilai F1 0,85, recall 76 %, dan presisi 97 % dengan jarak objek manusia terhadap CCTV 4 meter
Preprocessing kNN algorithm classification using K-means and distance matrix with students’ academic performance dataset
Get PDFKeberadaan outlier pada dataset dapat menyebabkan rendahnya hasil akurasi pada proses klasifikasi. Outlier pada dataset dapat dihilangkan pada tahapan prapemrosesan algoritme klasifikasi. Clustering dapat digunakan sebagai metode pendeteksi outlier. Kajian ini bertujuan menerapkan K-means dan matriks jarak untuk mendeteksi outlier dan menghapusnya dari dataset yang sudah memiliki kelas label. Penelitian ini menggunakan dataset hasil studi mahasiswa berjumlah 6847 instance, dengan 18 atribut dan tiga kelas. Prapemrosesan menerapkan metode K-means untuk mendapatkan pusat klaster pada tiap class, matriks jarak digunakan untuk mengevaluasi jarak instance dengan pusat klaster. Outlier, kelas baru yang berbeda dengan kelas awal, yang ditemukan akan dihilangkan. Prapemrosesan ini meningkatkan hasil akurasi klasifikasi algoritme kNN. Data tanpa prapemrosesan menghasilkan akurasi sebesar 72,28 %, data hasil prapemrosesan menggunakan metode K-means dan Euclidean menghasilkan akurasi hasil klasifikasi sebesar 98,42 % (meningkat 26,14 %), sedangkan metode K-means dan Manhattan menghasilkan akurasi sebesar 97,76 % (meningkat 25,48 %).The existence of outliers in the dataset can cause low accuracy in a classification process. Outliers in the dataset can be removed from a preprocessing stage of classification algorithms. Clustering can be used as an outlier detection method. This study applies K-means and a distance matrix to detect outliers and remove them from datasets with class labels. This research used a dataset of students’ academic performance totaling 6847 instances, having 18 attributes and 3 class labels. Preprocessing applies the K-means method to get centroid in each class. The distance matrix is used to evaluate the distance of instance to the centroid. Outliers, which are a different class, will be removed from the dataset. This preprocessing improves the classification accuracy of the kNN algorithm. Data without preprocessing has 72.28 % accuracy, preprocessed data using K-means with Euclidean has 98.42 % accuracy (an increase of 26.14 %), while the K-means with Manhattan has 97.76 % accuracy (an increase of 25.48 %)
K-means-SMOTE untuk menangani ketidakseimbangan kelas dalam klasifikasi penyakit diabetes dengan C4.5, SVM, dan naive Bayes
Get PDFThe occurrence of imbalanced class in a dataset causes the classification results to tend to the class with the largest amount of data (majority class). A sampling method is needed to balance the minority class (positive class) so that the class distribution becomes balanced and leading to better classification results. This study was conducted to overcome imbalanced class problems on the Indian Pima diabetes illness dataset using k-means-SMOTE. The dataset has 268 instances of the positive class (minority class) and 500 instances of the negative class (majority class). The classification was done by comparing C4.5, SVM, and naïve Bayes while implementing k-means-SMOTE in data sampling. Using k-means-SMOTE, the SVM classification method has the highest accuracy and sensitivity of 82 % and 77 % respectively, while the naive Bayes method produces the highest specificity of 89 %.Kemunculan kelas yang tidak seimbang dalam suatu dataset akan menghasilkan kecenderungan klasifikasi ke kelas yang memiliki jumlah instance terbesar (majority class). Metode sampling dibutuhkan untuk menyeimbangkan kelas minoritas (kelas positif) sehingga distribusi kelas menjadi seimbang dan memperoleh hasil klasifikasi yang lebih baik. Penelitian ini dilakukan untuk menyelesaikan permasalahan ketidakseimbangan kelas pada dataset penyakit diabetes Pima Indian menggunakan k-means-SMOTE. Dataset tersebut memiliki 268 data dari kelas positif (kelas minoritas) dan 500 data dari kelas negative (kelas mayoritas). Tahap klasifikasi dilakukan dengan membandingkan penerapan algoritma C4.5, SVM, dan naïve Bayes pada hasil sampling k-means-SMOTE. Kombinasi k-means-SMOTE dengan metode klasifikasi SVM memiliki akurasi dan sensitivitas terbaik, yaitu sebesar 82 % dan 77 %, sedangkan dengan metode naive Bayes menghasilkan spesifisitas terbaik sebesar 89 %
Model deep learning untuk klasifikasi fragmen metagenom dengan spaced k-mers sebagai ekstraksi fitur
Get PDFAn open challenge in bioinformatics is the analysis of the sequenced metagenomes from the various environments. Several studies demonstrated bacteria classification at the genus level using k-mers as feature extraction where the highest value of k gives better accuracy but it is costly in terms of computational resources and computational time. Spaced k-mers method was used to extract the feature of the sequence using 111 1111 10001 where 1 was a match and 0 was the condition that could be a match or did not match. Currently, deep learning provides the best solutions to many problems in image recognition, speech recognition, and natural language processing. In this research, two different deep learning architectures, namely Deep Neural Network (DNN) and Convolutional Neural Network (CNN), trained to approach the taxonomic classification of metagenome data and spaced k-mers method for feature extraction. The result showed the DNN classifier reached 90.89 % and the CNN classifier reached 88.89 % accuracy at the genus level taxonomy.Tantangan dalam analisis dunia bioinformatika adalah analisis sekuens metagenom yang diambil dari berbagai lingkungan. Proses binning pada sampel metagenom dapat dilakukan dengan menghitung frekuensi kemunculan k-mers dari suatu sekuens metagenom. Ekstraksi fitur spaced k-mers dilakukan dengan membandingkan fragmen metagenom dengan substring berukuran k atau k-mers, namun membolehkan kondisi inexact matching (don’t care position). Deep Learning muncul kembali sebagai paradigma baru dalam machine learning yang memberikan solusi terbaik untuk banyak masalah dalam pengenalan pola. Penelitian ini bertujuan untuk membandingkan kinerja dua arsitektur deep learning, yaitu DNN dan CNN, untuk klasifikasi data metagenom menggunakan spaced k-mers sebagai ekstraksi fitur. Klasifikasi dengan menggunakan deep learning memberikan hasil yang lebih baik, yaitu 90,89 % menggunakan DNN dan 88,89 % menggunakan CNN, dibandingkan dengan naïve Bayes yang menghasilkan akurasi sebesar 85,42 % pada taksonomi tingkat genus