Techno.Com
Not a member yet
738 research outputs found
Sort by
Seleksi Fitur Dengan Information Gain Untuk Meningkatkan Deteksi Serangan DDoS menggunakan Random Forest
Get PDFTantangan deteksi serangan saat ini adalah jumlah trafik yang besar dan beragam serta hadir jenis serangan baru. Sehingga diperlukan teknik baru untuk meningkatkan performa deteksi. Dengan pesatnya perkembangan teknologi layanan komunikasi, menghasilkan trafik dengan informasi yang beragam. Pada dasarnya tidak semua informasi pada trafik jaringan digunakan untuk mendeteksi serangan seperti DDoS. Penelitian ini bertujuan meningkatkan performa Random Forest dalam mendeteksi serangan DDoS dengan seleksi fitur menggunakan teknik Information Gain. Berdasarkan hasil eksperimen diperoleh bahwa teknik yang diusulkan mampu meningkatkan akurasi deteksi DDoS hingga 99.99% dengan tingkat alarm palsu 0.00
Pembangkitan Kode Sampa MBROLA untuk Lirik Pupuh Pucung Berdasarkan Padalingsa dan Diftong
Get PDFKurangnya minat masyarakat untuk belajar tembang bali akan mengakibatkan semakin hilangnya budaya bali. Salah satu faktor peyebab kurang tertarik nya masyarakat untuk belajar tembang bali adalah media pembelajaran tembang bali yang kurang menarik dan tidak interaktif. Pupuh pucung merupakan salah satu bagian dari sekar alit yang merupakan bagian tembang bali. Sekar alit/pupuh memiliki aturan dalam penulisan liriknya yang disebut dengan padalingsa yang terdiri dari guru wilangan yaitu jumlah suku kata dalam setiap barisnya, guru dingdong yaitu huruf vokal pada kata terakhir setiap barisnya dan guru gatra yaitu jumlah baris dalam satu baitnya. Penelitian ini akan menciptakan suatu aplikasi yang interaktif yang bisa digunakan untuk mencoba lirik dari pupuh pucung sesuai dengan aturan padalingsa pupuh pucung. Penelitian ini membahas bagaimana analisis dan konversi lirik pupuh pucung ke kode sampa yang digunakan di program sintesis suara MBROLA. Hasil dari penelitian ini adalah kode sampa MBROLA yang dibangkitkan berdasarkan aturan padalingsa dan diftong bahasa bali
Peningkatan Kecepatan Algoritma k-NN Untuk Sistem Pengklasifikasian Kendaraan Bermotor
Get PDFK-Nearest Neighbor (KNN) merupakan algoritma mesin pembelajaran yang memiliki akurasi yang baik meski sangat sederhana untuk diimplementasikan. Namun, salah satu kelemahan algorima KNN adalah kecepatan komputasi yang sangat tergantung pada jumlah dataset yang dimiliki. Penelitian ini mencoba mengusulkan sebuah strategi untuk meningkatkan kecepatan algoritma KNN tetapi dengan akurasi yang hampir sama dengan standard KNN. Jika pada standar KNN proses hanya dilakukan dengan menyimpan data latih, yang kemudian akan dibandingkan dengan data uji baru dengan cara menghitung jarak satu persatu, sementara strategi yang diusulkan mencoba mengurangi jumlah data latih dengan strategi clustering, sehingga jumlah data yang akan dibandingkan dengan data uji lebih sedikit. Akibatnya, diharapkan waktu prosesnya menjasi lebih cepat. Strategi yang diusulkan akan diterapkan pada kasus klasifikasi jenis kendaraan berbasis pengolahan citra digital. Untuk menghitung tingkat akurasi dan kecepatan, maka metode yang diusulkan akan dievaluasi menggunakan dataset yang dikumpulkan melalui internet
Optimasi Fungsi Multimodal Menggunakan Flower Pollination Algorithm Dengan Teknik Clustering
Get PDFOptimasi fungsi multimodal merupakan permasalahan yang banyak dijumpai dalam bidang teknik, sains, ilmu sosial dan ekonomi. Tujuan utama dari permasalahan multimodal adalah untuk melokalisir semua solusi yang tersedia baik optimum lokal maupun optimum global dalam sekali running. Flower Pollination Algorithm yang umum digunakan untuk optimasi global perlu dimodifikasi dan dikembangkan agar dapat menyelesaiakan tantangan dalam optimasi fungsi multimodal. Pada penelitian ini kami mengkombinasikan Flower Pollination Algorithm dengan teknik Clustering untuk mengoptimasi fungsi multimodal. Dalam uji coba terhadap 5 fungsi bencharmk multimodal yaitu Second minima, Six hump camel back, Rastrigin, Vincent dan Shubert diperoleh hasil bahwa metode yang disusulkan (FPAC) sukses menemukan semua solusi dari masing-masing fungsi multimodal dalam sekali running baik untuk kasus dimensi rendah maupun dimensi tinggi
Analisis Perbandingan Performa Metode Klasifikasi pada Dataset Multiclass Citra Busur Panah
Get PDFPengujian performa berbagai metode pada sebuah dataset merupakan salah satu cara dalam penetapan metode klasifikasi yang tepat, masalah yang diangkat pada penelitian ini adalah bagaimana membandingkan performa beberapa metode klasifikasi dalam mengelola dataset yang memiliki lebih dari dua label (multiclass). Penelitian ini fokus membandingkan hasil performa tujuh metode klasifikasi yaitu K-Nearest Neighbor (knn), Naive Bayes Classifier (nbc), Support Vector machine (svm), Neural Netowork (nn), Random Forest Classifier (rfc), Ada Boost Classifier (abc) dan Quadratic Discriminant Analysis (qdc). Objek pada penelitian ini berupa dataset multiclass yaitu dataset citra busur panah, serta performa yang diukur yaitu seluruh nilai cross-validation dari akurasi, presisi, recall dan f-measure. Hasil pada penelitian ini menunjukkan bahwa seluruh metode tidak memperoleh performa yang cukup baik, dan menunjukkan bahwa beberapa metode yang memiliki akurasi yang tinggi tidak menjadi penentu menjadi metode yang baik dikarenakan setelah penerapan cross-validation dan visualisasi boxplot ditemukan beberapa nilai akurasi tinggi yang merupakan nilai tidak wajar atau outlier. Kesimpulan menunjukkan metode svm memiliki performa yang lebih baik dibandingkan dengan enam metode lainnya pada kasus dataset multiclass citra busur panah
Optimasi Jaringan LTE Menggunakan Metode Electrical Tilt Di Karet Kuningan
Get PDFSebagai teknologi telekomunikasi nirkabel generasi ke 4, LTE menawarkan layanan akses data berkecepatan tinggi serta latensi yang rendah. Kecepatan LTE bisa mencapai 100 Mbps pada downlink dan mencapai 50 Mbps pada uplink. Fitur ini mengakibatkan banyaknya pengguna jaringan LTE terutama di kota-kota besar yang merupakan area bisnis. Daerah Karet Kuningan menjadi salah satu contoh banyaknya pengguna pengguna LTE, namun dikarenakan lokasi tersebut dikelilingi oleh gedung-gedung tinggi perkantoran dan pemukiman padat penduduk terutama di Jl. Karet Gusuran III, mengakibatkan buruknya kualitas jaringan LTE di lokasi tersebut. Pada penelitian ini dilakukan simulasi optimasi dengan menggunakan metode electrical tilt di 3 sektor dari 2 site disekitar lokasi untuk meningkatkan kualitas jaringan LTE di lokasi tersebut. Electrical tilt adalah metode untuk mengatur arah pancar antena dengan cara merubah fasa sinyal dari antena, sehingga tidak perlu dilakukan perubahan secara fisik untuk mengatur arah pancar antena. Berdasarkan hasil simulasi yang telah dilakukan, didapatkan hasil yang cukup bagus dari optimasi site KARETGUSURANDMTHL pada sektor 3. Hasil simulasi yaitu peningkatan nilai RSRP sebesar 5 dBm, peningkatan nilai SINR sebesar 0,97 dB, peningkatan nilai RSRQ sebesar 0,01 dB dan peningkatan nilai throughput dari sekitar 512 kbps menjadi sekitar 1 Mbps sampai 10 Mbps
Sistem Kontrol Kelembaban Tanah Pada Tanaman Tomat Menggunakan PID
Get PDFKelembaban tanah mempengaruhi pertumbuhan suatu tanaman, kelembaban tanah yang tidak sesuai dengan kebutuhan suatu tanaman akan membuat pertumbuhan tanaman tidak maksimal. Perlu dilakukan monitoring penyiraman tanaman agar kelembaban tanah terjaga pada nilai yang dibutuhkan. Penelitian ini merancang sistem kontrol kelembaban tanah pada tanaman tomat menggunakann metode PID. Perancangan sistem yang dibuat menggunakan Arduino Mega2560 sebagai pengendali utama, LCD 20x40 sebagai tampilan data output pada sistem, sensor kelembaban tanah soil moisture sensor module hygrometer, driver motor L298N dan motor dc pompa. Sistem kontrol kelembanan tanah pada tanaman tomat menggunakan metode PID yang dirancang dapat melakukan monitorinng secara otomatis dengan mengontrol kelembaban tanah pada tanaman tomat agar dapat mempertahankan nilai kelembaban tanah sesuai dengan yang diinginkan, yaitu sekitar 60%. Hasil pengujian keseluruhan sistem didapatkan hasil tuning PID yang terbaik dengan nilai kp=30, ki=100, dan kd=80. Kinerja PID sudah mendekati nilai setpoint dan terdapat sedikit error dan nilai PWM yang dihasilkan meningkat ataupun menurun dengan cepat sebanding dengan parameter kp yang diberikan. Proses tersebut menandakan kinerja sistem baik sesuai dengan nilai kelembaban tanah yang dapat terjaga pada nilai setpoint
Sistem Pendukung Keputusan Penentuan Peminatan Siswa Dengan Menggunakan Metode SAW (Simple Additive Weighting) Pada SMA Negeri Dharma Pendidikan
No full textSMAN Dharma Pendidikan merupakan lembaga yang bergerak dalam bidang pendidikan. Setiap tahun rutin melakukan penentuan peminatann siswa SMA sesuai dengan kriteria yang digunakan. Masalah yang dihadapi oleh SMAN Dharma Pendidkan yaitu proses penentuan peminatan belum memiliki panduan baku dan memiliki subjektifitas yang tinggi. Selain diberatkan dengan adanya penentuan peminatan, siswa juga mengalami kebingungan dalam menentukan lintas minat. Dari permasalahan tersebut diperlukan sebuah sistem yang dapat membantu proses penentuan peminatan siswa. Proyek akhir ini menyajikan sebuah Sistem Pendukung Keputusan (SPK) yang dirancang dengan metode Simple Additive Weighting (SAW) yaitu perhitungan yang melibatkan nilai bobot dari setiap kriteria. Kriteria yang digunakan pada penentuan peminatan yaitu nilai rata-rata SKHU, nilai tes peminatan, nilai rapor IPA, nilai rapor IPS, rekomendasi orang tua IPA, rekomendasi orang tua IPS. Sedangkan kriteria yang digunakan untuk penentuan lintas minat yaitu kemampuan siswa, minat siswa, rekomendasi orang tua, rekomendasi guru. Sistem ini dibangun menggunakan Pearl Hypertext Processor (PHP) sebagai bahasa pemrogramannya dan MySQL sebagai basis datanya. Metode yang digunakan dalam pengujian ini adalah blackbox, confusion matrix, user acceptance testing(UAT), dan akurasi perhitungan manual dan sistem metode SAW. Ada 3 teknik black box testing yang diterapkan yaitu equivalence class partitioning, boundary value analysis dan decision table based testing. Berdasarkan pengujian confusion matrix terhadap metode SAW, dapat disimpulkan bahwa ketepatan klasifikasi sebesar 96.92%, ketepatan prediksi sebesar 96.87%, serta tingkat kesalahan sebesar 7.46%. Berdasarkan pengujian UAT dapat disimpulkan bahwa dapat diterima dengan baik. Selain itu, berdasarkna pengujian akurasi perhitungan sistem dan manual dapat dianalisa hasil dari sistem yang telah dibangun sudah sama dengan perhitungan manual dengan tingkat akurasi 100%
Implementasi Fuzzy C-Means Clustering dalam Pengelompokan UKM Di Kabupaten Rokan Hulu
Get PDFDalam upaya meningkatkan Usaha Kecil dan Menengah (UKM) di Kabupaten Rokan Hulu yang menjadi industri kreatif dan inovatif tentunya pendataan pesebaran UKM harus up to date dan valid sehingga pemerintah dapat memberikan kebijakan ataupun bantuan kepelaku usaha untuk mengembangkan usahanya apalagi dalam situasi pandemic ini. Penelitian ini bertujuan untuk mengelompokkan jenis UKM yang ada di Rokan Hulu menggunakan metode Fuzzy C-Means Clustering dan membuat aplikasi baru berbasis Web untuk mendata persebaran UKM yang dilengkapi dengan peta pesebaran UKM . Fuzzy C-Mean Clustering (FCM) adalah suatu teknik pengclusteran data yang mana keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaannya. Variabel yang digunakan berdasarkan omset, asset dan jumlah tenaga kerja. Sedangkan untuk pengelompokan jenis UKM dicluster menjadi 3 jenis, yaitu usaha menengah, usaha kecil dan usaha mikro. Berdasarkan hasil pengujian metode Fuzzy C-Mean Clustering dapat mengelompokkan jenis Usaha Kecil Menengah berdasarkan 3 cluster yaitu usaha menengah, usaha kecil dan usaha mikro, serta nilai validasinya rata-rata hampir mendekati angka 1, hal tersebut menunjukkan bahwa Fuzzy C-Means Clustering memiliki tingkat akurasi yang tinggi sebesar 80-90 %.
Prediksi Hipertensi menggunakan Decision Tree, Naïve Bayes dan Artificial Neural Network pada software KNIME
Get PDFHipertensi merupakan salah satu penyakit tidak menular yang dapat menyebabkan kematian karena meningkatkan resiko munculnya berbagai penyakit seperti gagal ginjal, gagal jantung, bahkan stroke. Resiko hipertensi disebabkan oleh beberapa faktor penyebab seperti usia, keturunan, pola makan dan olahraga, dan merokok. Teknologi artificial intelligence yakni machine learning dimanfaatkan di bidang kesehatan khususnya prediksi penyakit hipertensi. Pada penelitian ini diimplementasi tiga algoritma machine learning yakni decision tree, naïve bayes dan artificial neural networks. Data yang digunakan pada penelitian ini sebanyak 274 data yang diperoleh dari hasil kuesioner dengan 26 pertanyaan, dimana 25 pertanyaan adalah variabel faktor resiko dan satu pertanyaan merupakan kelas yang menyatakan responden memiliki riwayat hipertensi atau tidak. Data diolah menggunakan platform analisis data yakni KNIME. Sebelum data diolah untuk membangun model klasifikasi menggunakan decision tree, naïve bayes dan artificial neural network, data dipraproses terlebih dahulu dengan melakukan imputasi missing value, oversampling dan normalisasi data. Selanjutnya pembagian data menggunakan 5-fold cross validation. Model klasifikasi yang diperoleh dievaluasi menggunakan nilai akurasi, recall dan precision. Hasil evaluasi dari eksperimen yang dilakukan diperoleh bahwa algoritma artificial neural network memiliki tingkat performa lebih baik dibandingkan decision tree dan naïve bayes dengan nilai akurasi sebesar 94.7%, recall sebesar 91.5% dan precision sebesar 97.7%