Hasil Pencarian  ::  Simpan CSV :: Kembali

"Risiko serangan siber berbanding lurus dengan pertumbuhan aplikasi dan jaringan komputer. Intrusion Detection System (IDS) diimplementasikan agar dapat mendeteksi serangan siber dalam lalu lintas jaringan. Akan tetapi terdapat permasalahan pada pendeteksian serangan yang belum diketahui atau jenis serangan baru. Selain itu juga terdapat masalah kinerja tentang waktu deteksi, akurasi deteksi, dan false alarm. Dibutuhkan deteksi anomali dalam lalu lintas jaringan untuk mengurangi permasalahan tersebut dengan pendekatan machine learning. Pengembangan dan pemanfaatan IDS dengan machine learning telah diterapkan dalam beberapa penelitian sebagai solusi untuk meningkatkan kinerja dan evaluasi prediksi deteksi serangan. Memilih pendekatan machine learning yang tepat diperlukan untuk meningkatkan akurasi deteksi serangan siber. Penelitian ini menggunakan metode homogeneous ensemble learning yang mengoptimalkan algoritma tree khususnya gradient boosting tree - LightGBM. Dataset Communications Security Establishment dan Canadian Institute of Cybersecurity 2018 (CSE-CIC-IDS 2018) digunakan untuk mengevaluasi pendekatan yang diusulkan. Metode Polynom-fit SMOTE (Synthetic Minority Oversampling Technique) digunakan untuk menyelesaikan masalah ketidakseimbangan dataset. Penerapan metode spearman’s rank correlation coefficient pada dataset menghasilkan 24 fitur subset dari 80 fitur dataset yang digunakan untuk mengevaluasi model. Model yang diusulkan mencapai akurasi 99%; presisi 99,2%, recall 97,1%; F1-score 98,1%; ROC-AUC 99,1%; dan average-PR 98,1% serta meningkatkan waktu pelatihan model dari 3 menit 25,10 detik menjadi 2 menit 39,68 detik.

---

The risk of cyberattacks is directly proportional to the growth of applications and computer networks. An Intrusion Detection System (IDS) is implemented to detect cyber attacks in network traffic. However, there are problems detecting unknown attacks or new types of attacks. In addition, there are performance issues regarding detection time, detection accuracy, and false alarms. A machine learning approach takes anomaly detection in network traffic to reduce these problems. The development and utilization of IDS with machine learning have been applied in several studies to improve performance and evaluate attack detection predictions. Choosing the right machine learning approach is necessary to improve the accuracy of cyberattack detection. This research uses a homogeneous ensemble learning method that optimizes tree algorithms, especially gradient boosting tree - LightGBM. The Communications Security Establishment and Canadian Institute of Cybersecurity 2018 (CSE-CIC-IDS 2018) dataset evaluated the proposed approach. The Polynom-fit SMOTE (Synthetic Minority Oversampling Technique) method solved the dataset imbalance problem. The application of spearman's rank correlation coefficient method to the dataset resulted in 24 subset features of the 80 dataset features used to evaluate the model. The proposed model achieves 99% accuracy; precision 99.2%, recall 97.1%; F1-score 98.1%; ROC-AUC 99.1%; and an average-PR of 98.1% and increased the training time of the model from 3 minutes 25.10 seconds to 2 minutes 39.68 seconds."

"Gangguan berkemih menyebabkan penurunan kualitas hidup dan mortalitas pasien pasca cedera medula spinalis. Sensasi penuh kandung kemih berperan penting dalam tatalaksana berkemih pasca cedera medula spinalis. Metode clean intermittent catheterization (CIC) berdasarkan sensasi dapat menghindari kateterisasi yang tidak perlu, berkemih terlalu dini atau overdistensi kandung kemih. Urodinamik sebagai baku emas evaluasi sensasi penuh kandung kemih tidak selalu dapat diakses oleh semua pasien dan fasilitas kesehatan. Skor sensori T10-L2 dan S2-S4/5 berdasarkan pemeriksaan International Standards for Neurological Classification of Spinal Cord Injury (ISNCSCI) diperkirakan dapat memprediksi sensasi penuh kandung kemih. Penelitian ini bertujuan untuk mengindentifikasi hubungan antara skor sensori T10-L2 dan S2-S4/5 terhadap sensasi penuh pada kandung kemih. Penelitian dilaksanakan di RSUP Fatmawati dengan desain kohort retrospektif menggunakan rekam medis, dari April 2020 hingga Februari 2021 dengan total subjek 32 orang, dimana 26 orang tidak memiliki sensasi dan 6 orang memiliki sensasi penuh kandung kemih. Analisis statistik menggunakan rumus perbedaan 2 rerata tidak berpasangan, berbeda signifikan bila p < 0,05. Skor sensori T10-L2 antara kelompok subjek yang tidak memiliki sensasi penuh dengan kelompok subjek yang memiliki sensasi penuh memiliki perbedaan yang signifikan (p=0.008). Skor sensori S2-S4/5 tidak berbeda secara bermakna pada kedua kelompok subjek (P = 0,494). Terdapat hubungan bermakna dimana semakin tinggi skor sensori T10-L2 maka semakin besar kemungkinan pasien pasca cedera medula spinalis merasakan sensasi penuh kandung kemih. Penelitian ini juga mendapatkan nilai skor 30 sebagai titik potong skor sensori T10-L2 dalam memprediksi sensasi penuh kandung kemih. Hasil temuan ini dapat menjadi acuan perencanaan program manajemen berkemih menggunakan CIC berdasarkan sensasi, terutama di fasilitas kesehatan tanpa sarana urodinamik.

---

Bladder dysfunction causes low quality of life and mortality of patients after spinal cord injury. The sensation of bladder fullness is important in bladder management. The sensation-based clean intermittent catheterization (CIC) method can avoid unnecessary catheterization, premature voiding, or bladder overdistention. Urodynamic is the gold standard for bladder fullness evaluation, but it is not always accessible to all patients and health facilities. Sensory scores T10-L2 and S2-S4/5 based on the International Standards for Neurological Classification of Spinal Cord Injury (ISNCSCI) are estimated to predict the sensation of bladder fullness. This study aimed to identify the association between sensory scores T10-L2 and S2-S4/5 with the sensation of bladder fullness. This study was conducted at Fatmawati Hospital with a retrospective cohort design using medical records, from April 2020 to February 2021, the total subjects are 32 people, of which 26 people had no sensation and 6 people had full bladder sensation. Analyzed statistically by the difference of 2 unpaired means (significantly different if p < 0.05). Sensory scores of T10-L2 between the subjects without sensation and the subjects with the sensation of bladder fullness had a significant difference (p=0.008). Sensory scores of S2-S4/5 were not significantly different between the two groups (P = 0.494). There was a significant association which is the higher the sensory scores of T10-L2, the patient is more likely to feel the sensation of a bladder fullness after spinal cord injury. This study also found that 30 was the cut-off point of the total T10-L2 sensory scores for predicting the sensation of bladder fullness. These findings can be used as a reference for planning a bladder management using the sensation-based CIC, especially in health facilities without urodynamic"

"Dengan semakin berkembanganya teknologi dan sistem informasi pada area siber, ancaman siber juga semakin meningkat. Berdasarkan Laporan Honeynet BSSN Tahun 2023, Indonesia menduduki peringkat pertama sebagai negara dengan sumber serangan tertinggi. Untuk mengatasi permasalahan tersebut, IDS dijadikan solusi di berbagai sistem pemerintahan, bekerja sama dengan Honeynet BSSN. Namun, pada sistem IDS ini tidak bekerja secara maksimal untuk melakukan deteksi terhadap anomali atau jenis serangan baru yang belum belum pernah terjadi sebelumnya (zero-day). Solusi untuk meningkatkan performa IDS salah satunya dengan menggunakan machine learning. Beberapa studi sebelumnya membahas tentang perbandingan berbagai algoritma klasifikasi dan didapatkan bahwa algoritma random forest memiliki tingkat akurasi yang tinggi, tingkat false positive yang rendah, dan dalam hal komputasi tidak memerlukan sumber daya yang besar. Oleh karena itu, pada penelitian ini menggunakan algoritma random forest sebagai algoritma klasifikasinya. Dataset yang dipakai menggunakan dataset CIC-ToN-IoT sebagai dataset whitelist dan dataset dari Honeynet BSSN sebagai dataset blacklist. Model diklasifikasikan menjadi 10 (sepuluh) klasifikasi yaitu benign, Information Leak, Malware, Trojan Activity, Information Gathering, APT, Exploit, Web Application Attack, Denial of Service (DoS), dan jenis serangan lainnya (other). Hasil evaluasi menunjukkan bahwa implementasi algoritma random forest dengan dataset CIC-ToN-IoT dan dataset honeynet BSSN memiliki nilai akurasi yang tinggi dalam menganalisis berbagai serangan yang terjadi pada sistem informasi di lingkungan Pemerintah yaitu 99% dan dengan jumlah support data yang besar, model memiliki nilai presisi yang tinggi yaitu 91%.

---

With the increasing development of technology and information systems in the cyber area, cyber threats are also increasing. Based on the 2023 BSSN Honeynet Report, Indonesia is ranked first as the country with the highest source of attacks. To overcome these problems, IDS is used as a solution in various government systems, in collaboration with Honeynet BSSN. However, this IDS system does not work optimally to detect anomalies or new types of attacks that have never happened before (zero-day). One solution to improving IDS performance is by using machine learning. Several previous studies discussed the comparison of various classification algorithms and found that the random forest algorithm had a high level of accuracy, a low false positive rate, and in terms of computing did not require large resources. Therefore, this research uses the random forest algorithm as the classification algorithm. The dataset used uses the CIC-ToN-IoT dataset as a whitelist dataset and a dataset from Honeynet BSSN as a blacklist dataset. The model is classified into 10 (ten) classifications, namely benign, Information Leak, Malware, Trojan Activity, Information Gathering, APT, Exploit, Web Application Attack, Denial of Service (DoS), and other types of attacks. The evaluation results show that the implementation of the random forest algorithm with the CIC-ToN-IoT dataset and the BSSN honeynet dataset has a high accuracy value in analyzing various attacks that occur on information systems in the government environment, namely 99% and with a large amount of data support, the model has high precision value, namely 91%."