Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam beberapa tahun terakhir, keamanan data pada sistem informasi organisasi telah menjadi perhatian serius. Banyak serangan menjadi kurang terdeteksi oleh firewall dan perangkat lunak antivirus. Untuk meningkatkan keamanan, intrusion detection systems (IDS) digunakan untuk mendeteksi serangan dalam lalu lintas jaringan. Saat ini, teknologi IDS memiliki masalah kinerja mengenai akurasi deteksi, waktu deteksi, pemberitahuan alarm palsu, dan deteksi jenis serangan baru atau belum diketahui. Beberapa studi telah menerapkan pendekatan pembelajaran mesin (machine learning) sebagai solusi, dan mendapat beberapa peningkatan. Penelitian ini menggunakan pendekatan pembelajaran ensemble (ensemble learning) yang dapat mengintegrasikan manfaat dari setiap algoritma pengklasifikasi tunggal. Pada penelitian ini, dibandingkan tujuh pengklasifikasi tunggal untuk mengidentifikasi pengklasifikasi dasar yang digunakan untuk model ensemble learning. Kemudian dataset IDS terbaru dari Canadian Institute for Cybersecurity yaitu CSE-CIC-IDS2018 digunakan untuk mengevaluasi model ensemble learning. Hasil percobaan menujukan bahwa implementasi metode ensemble learning khususnya majority voting dengan tiga algoritma dasar (gradient boosting, decision tree dan logistic regression) dapat meningkatkan nilai akurasi lebih baik dibandingkan implementasi algoritma klasifikasi tunggal, yaitu 0,988. Selanjutnya, implementasi teknik pemilihan fitur spearman-rank order correlation pada dataset CSE-CIC-IDS2018 menghasilkan 23 dari 80 fitur, dan dapat meningkatkan waktu pelatihan model, yaitu menjadi 11 menit 4 detik dibanding sebelumnya 34 menit 2 detik.

---

In recent years, data security in organizational information systems has become a serious concern. Many attacks are becoming less detectable by firewall and antivirus software. To improve security, intrusion detection systems (IDSs) are used to detect anomalies in network traffic. Currently, IDS technology has performance issues regarding detection accuracy, detection times, false alarm notifications, and unknown attack detection. Several studies have applied machine learning approaches as solutions. This study used an ensemble learning approach that integrates the benefits of each single classifier algorithms. We made comparisons with seven single classifiers to identify the most appropriate basic classifiers for ensemble learning. Then the latest IDS dataset from the Canadian Institute for Cybersecurity, CSE-CIC-IDS2018, was used to evaluate the ensemble learning model. The experimental results show that the implementation of the ensemble learning method, especially majority voting with three basic algorithms (gradient boosting, decision tree and logistic regression) can increase the accuracy rate better than the implementation of a single classification algorithm, which is 0.988. Furthermore, the implementation of the spearman-rank order correlation feature selection technique in the CSE-CIC-IDS2018 dataset produced 23 of the 80 features, and could increase the model training time, which was 11 minutes 4 seconds compared to 34 minutes 2 seconds before."

"Pilar adalah unit struktural penting yang digunakan untuk memastikan keselamatan penambangan di tambang batuan keras bawah tanah. Oleh karena itu, prediksi yang tepat mengenai stabilitas pilar bawah tanah sangat diperlukan. Salah satu indeks umum yang sering digunakan untuk menilai stabilitas pilar adalah Safety Factor (SF). Sayangnya, batasan penilaian stabilitas pilar menggunakan SF masih sangat kaku dan kurang dapat diandalkan. Penelitian ini menyajikan aplikasi baru dari Artificial Neural Network-Backpropagation (ANN-BP) dan Deep Ensemble Learning untuk klasifikasi stabilitas pilar. Terdapat tiga jenis ANN-BP yang digunakan untuk klasifikasi stabilitas pilar dibedakan berdasarkan activation function-nya, yaitu ANN-BP ReLU, ANN-BP ELU, dan ANN-BP GELU. Dalam penelitian ini juga disajikan alternatif pelabelan baru stabilitas pilar dengan mempertimbangkan kesesuaiannya dengan SF. Stabilitas pilar diperluas menjadi empat kategori, yaitu failed dengan safety factor yang sesuai, intact dengan safety factor yang sesuai, failed dengan safety factor yang tidak sesuai, dan intact dengan safety factor yang tidak sesuai. Terdapat lima input yang digunakan untuk setiap model, yaitu pillar width, mining height, bord width, depth to floor, dan ratio. Hasil penelitian menunjukkan bahwa model ANN-BP dengan Ensemble Learning dapat meningkatkan performa ANN-BP dengan average accuracy menjadi 86,48% dan nilai F2 menjadi 96,35% untuk kategori failed dengan safety factor yang tidak sesuai.

---

Pillars are important structural units used to ensure mining safety in underground hard rock mines. Therefore, precise predictions regarding the stability of underground pillars are required. One common index that is often used to assess pillar stability is the Safety Factor (SF). Unfortunately, such crisp boundaries in pillar stability assessment using SF are unreliable. This paper presents a novel application of Artificial Neural Network-Backpropagation (ANN-BP) and Deep Ensemble Learning for pillar stability classification. There are three types of ANN-BP used for the classification of pillar stability distinguished by their activation functions: ANN-BP ReLU, ANN-BP ELU, and ANN-BP GELU. This research also presents a new labeling alternative for pillar stability by considering its suitability with the SF. Thus, pillar stability is expanded into four categories: failed with a suitable safety factor, intact with a suitable safety factor, failed without a suitable safety factor, and intact without a suitable safety factor. There are five inputs used for each model: pillar width, mining height, bord width, depth to floor, and ratio. The results showed that the ANN-BP model with Ensemble Learning could improve ANN-BP performance with an average accuracy of 86.48% and an F2-score of 96.35% for the category of failed with a suitable safety factor.

"

"Dampak dari letak geografis Indonesia yang diapit dua samudera dan dikelilingi laut membuat Indonesia memiliki laju konveksi yang tinggi. Hal ini menyebabkan banyaknya awan konveksi dan kelimpahan hujan sepanjang tahun sehingga informasi mengenai hujan merupakan hal yang penting terutama untuk sektor pertanian. Kejadian hujan dipengaruhi oleh karakteristik awan, diantaranya ketinggian dan temperatur yang dapat diukur menggunakan instrumen radar dan satelit. Pada penelitian ini, dilakukan estimasi kejadian hujan dengan meninjau karakteristik ketinggian dan temperatur awan bulan Desember 2021 di Provinsi Lampung menggunakan tree-based ensemble learning. Hasil dari studi ini akan menunjukkan algoritma terbaik yang dapat mengklasifikasikan kejadian hujan berdasarkan ketinggian dan temperatur awan. Berdasarkan penelitian yang telah dilakukan, didapatkan hasil MCC pada Random Forest sebesar 0.125, Light Gradient Boosting Machine sebesar 0.229, Adaptive Boosting sebesar 0.135, dan Extreme Gradient Boosting sebesar 0.227. Hasil analisis menunjukkan bahwa algoritma terbaik untuk klasifikasi biner kejadian hujan berdasarkan data ketinggian dan temperatur awan adalah algoritma Light Gradient Boosting Machine.

---

The geographical location of Indonesia, situated between two oceans and surrounded by seas, leads to high convective activity. This results in abundant convective clouds and rainfall throughout the year, making rainfall information crucial, especially for the agricultural sector. Rainfall events are influenced by cloud characteristics, including height and temperature, which can be measured using radar and satellite instruments. In this study, rainfall events were estimated by examining the characteristics of cloud height and temperature in December 2021 in Lampung Province using tree-based ensemble learning. The results of this study will indicate the best algorithm for classifying rainfall events based on cloud height and temperature. Based on the research conducted, the MCC results were found to be 0.125 for Random Forest, 0.229 for Light Gradient Boosting Machine, 0.135 for Adaptive Boosting, and 0.227 for Extreme Gradient Boosting. The analysis results indicate that the best algorithm for binary classification of rainfall events based on cloud height and temperature data is the Light Gradient Boosting Machine algorithm."

"Pasar modal berkembang pesat di Indonesia dengan peningkatan 79 jumlah emiten saham baru dan peningkatan 17,9% jumlah investor baru. Perkembangan ini dipacu oleh Otoritas Jasa Keuangan yang meyakinkan bahwa setiap perusahaan terbuka selalu diawasi dengan cara mewajibkan perusahaan terbuka untuk menyampaikan laporan keuangan secara berkala. Akan tetapi pada kenyataannya, tindakan kecurangan laporan keuangan bukan menjadi hal yang langka. Association of Certified Fraud Examiner melaporkan bahwa 9,2% kecurangan di Indonesia merupakan kecurangan laporan keuangan dengan total kerugian hingga Rp242.260.000.000. Sementara, proses audit konvensional serta laporan yang menjadi 72% dari media deteksi saat ini membutuhkan 12 bulan untuk mendeteksi kasus kecurangan. Penelitian ini akan menggunakan metode ensemble learning berbasis optimasi metaheuristik untuk mengembangkan model deteksi kecurangan pada laporan keuangan. Beberapa metode klasifikasi digunakan untuk mengembangkan model, yaitu Random Forest dan XGBoost. Optimasi metaheuristik dengan metode Genetic Algorithm kemudian digunakan sebagai dasar dari proses hyperparameter tuning pada model tersebut. Hasil deteksi terbaik pada penelitian ini adalah model XGBoost dengan parameter teroptimasi yang menghasilkan akurasi sebesar 98,04% dan sensitivitas 99.02%.

---

The capital market is growing rapidly in Indonesia, gaining 79 new stock issuers and a 17.9% increase in the number of new investors in 2023. This development is driven by Otoritas Jasa Keuangan, which ensures that every public company is always monitored by requiring them to submit financial statements regularly. However, financial statement fraud is not uncommon. The Association of Certified Fraud Examiners reports that 9.2% of fraud cases in Indonesia involve financial statement fraud, with total losses amounting to Rp242,260,000,000. Meanwhile, conventional audit processes and reports, which account for 72% of current detection methods, take 12 months to detect fraud cases. This study will use an ensemble learning method based on metaheuristic optimization to develop a fraud detection model for financial statements. Several classification methods, namely Random Forest and XGBoost, are used to develop the model. Metaheuristic optimization using the Genetic Algorithm method is then applied as the basis for hyperparameter tuning in this model. The best detection result in this study is achieved by the XGBoost model with optimized parameters, yielding an accuracy of 98.04% and a sensitivity of 99.02%."

"ABSTRAKPada permasalahan seperti kesehatan atau dunia retail banyak dijumpai data-data yang memiliki kategori yang tidak seimbang. Sebagai contoh jumlah penderita penyakit tertentu relatif langka pada suatu studi atau jumlah transaksi yang terkadang merupakan transaksi palsu (fraud) jumlahnya secara signifikan lebih sedikit ketimbang transaksi normal. Kondisi ini biasa disebut sebagai kondisi data tidak seimbang dan menyebabkan permasalahan pada performa model, terutama pada kelas minoritas. Beberapa metode telah dikembangkan untuk mengatasi permasalahan data tidak seimbang, salah satu metode terkini untuk menanganinya adalah Easy Ensemble. Easy Ensemble diklaim dapat mengatasi efek negatif dari pendekatan konvensional seperti random-under sampling dan mampu meningkatkan performa model dalam memprediksi kelas minoritas. Skripsi ini membahas metode Easy Ensemble dan penerapannya dengan model Random Forest dalam mengatasi masalah data tidak seimbang. Dua buah studi empiris dilakukan berdasarkan kasus nyata dari situs kompetisi hacks.id dan kaggle.com. Proporsi kategori antara kelas mayoritas dan minoritas pada dua data di kasus ini adalah 70:30 dan 94:6. Hasil penelitian menunjukkan bahwa metode Easy Ensemble, dapat meningkatkan performa model klasifikasi Random Forest terhadap kelas minoritas dengan signifikan. Sebelum dilakukan resampling pada data (nhacks.id), nilairecall minority hanya sebesar 0.47, sedangkan setelah dilakukan resampling, nilainya naik menjadi 0.82. Begitu pula pada data kedua (kaggle.com), sebelum resampling nilai recall minority hanya sebesar 0.14, sedangkan setelah dilakukan resampling, nilai naik secara signifikan menjadi 0.71.

---

ABSTRACTIn the real world problem, there is a lot case of imbalanced data. As an example in medical case, total patients who suffering from cancer is much less than healthy patients. These condition might cause some issues in problem definition level, algorithm level, and data level. Some of the methods have been developed to overcome this issues, one of state-of-the-art method is Easy Ensemble. Easy Ensemble was claimed can improve model performance to classify minority class moreover can overcome the deï¬?ciency of random under-sampling. In this thesis discussed the implementation of Easy Ensemble with Random Forest Classifers to handle imbalance problem in a credit scoring case. This combination method is implemented in two datasets which taken from data science competition website, nhacks.id and kaggle.com with class proportion within majority and minority is 70:30 and 94:6. The results show that resampling with Easy Ensemble can improve Random Forest classifier performance upon minority class. This been shown by value of recall on minority before and after resampling which increasing significantly. Before resampling on the first dataset (nhacks.id), value of recall on minority is just 0.49, but then after resampling, the value of recall on minority is increasing to 0.82. Same with the second dataset (kaggle.com), before the resampling, value of recall on minority is just 0.14, but then after resampling, the value of recall on minority is increasing significantly to 0.71."

"BLDC motor telah menjadi motor yang populer karena keunggulanannya. Untuk meningkatkan kinerja BLDC telah banyak Teknik pengendalian yang dikembangkan mulai dari yang konvensional seperti PID sampai dengan yang menggunakan kecerdasan buatan. Namun demikian, sebagian besar peneliti mendesain pengendali untuk BLDC motor dengan memanfaatkan sensor kecepatan. Penelitian ini bertujuan untuk membangun pengendali yang adaptif untuk aplikasi sensorless BLDC motor dengan dua tahapan penelitian yaitu 1 Mengembangkan Adaptif PID Controller untuk BLDC dan 2 Mengembangkan Teknik sensorless BLDC dengan Neural Network Ensemble Kalman Filter. Pada Penelitian ini, telah dikembangkan pengendali Adaptif PID berbasis Model Invers Neural Network dan teknik sensorless BLDC motor menggunakan Neural Network Ensemble Kalman Filter EnKF . Pengendali Adaptif PID berbasis Model Invers Neural Network yang dikembangkan mampu bekerja lebih baik jika dibandingkan dengan pengendali PID, PID Single Neuron, dan Pengendali Single Neuron Fuzzy. Respon waktu sistem menunjukkan rise time meningkat hingga 41,1 , Settling time meningkat hingga 178,9 dan overshoot menurun hingga 825,6 . Sedangkan teknik sensorless Neural Network Ensemble Kalman Filter mampu mengestimasi posisi dan kecepatan motor BLDC hanya dengan mengukur tegangan dan arus setiap phasa baik pada kondisi kerja adanya perubahan referensi kecepatan, adanya perubahan parameter motor BLDC, maupun adanya perubahan beban/gangguan dengan tingkat kesalahan estimasi yang sangat kecil yaitu sebesar 0.7 , serta bekerja baik pada kecepatan rendah dengan jumlah member sebanyak 8.

---

BLDC motor has become a popular motorcycle because of its advantages. To improve the performance of BLDC has a lot of control techniques developed ranging from conventional ones such as PIDs to those using artificial intelligence. Nevertheless, most researchers design controllers for BLDC motors by utilizing speed sensors. This research aims to build adaptive controller for sensorless BLDC motor applications with two stages of research that is 1 Developing Adaptive PID Controller for BLDC and 2 Developing BLDC Sensorless Technique with Neural Network Ensemble Kalman Filter. In this research, Adaptive PID controller has been developed based on Inverse Neural Network Model and BLDC sensorless motor technique using Neural Network Ensemble Kalman Filter EnKF. The Adaptive PID controller based on the developed Inverse Neural Network model works better than the PID controller, Single Neuron PID, and Single Neuron Fuzzy Controller. The system time response shows rise time rises up to 41.1 , settling time increases up to 178.9 and overshoot decreases to 825.6. While sensural technique Neural Network Ensemble Kalman Filter able to estimate position and speed of BLDC motor only by measuring voltage and current of each phase both at work condition of change of reference of speed, change of motor parameter BLDC, or existence of change of burden / interference with very estimate error rate Small that is equal to 0.7 , and works well at low speed with the number of members as much as 8."

"Nilai yang hilang adalah nilai yang tidak disimpan dalam variabel tertentu dalam pengamatan. Nilai yang hilang dapat ditemukan dalam data di hampir semua bidang penelitian dan dapat mempersulit analisis data. Self-Organizing Maps (SOM) adalah metode clustering berbasis jaringan saraf yang dapat digunakan sebagai metode imputasi, di mana SOM menyalahkan nilai-nilai yang hilang dengan menggeneralisasi pengamatan mengandung nilai yang hilang. Ensemble Self-Organizing Maps (E-SOM) adalah pengembangan metode imputasi SOM, di mana metode E-SOM diterapkan kerangka ensemble dengan menggunakan beberapa SOM untuk meningkatkan kemampuan generalisasi. Dalam tesis ini metode E-SOM dan SOM diimplementasikan untuk imputasi nilai yang hilang dalam data Penyakit Jantung Afrika Selatan dengan menggunakan 15 ansambel dan berbagai variasi dalam jumlah neuron. Pada data imputasi kedua metode ini kemudian dibentuk oleh model klasifikasi Hutan Acak dan dilakukan evaluasi kinerja model yang dibentuk menggunakan nilai akurasi dalam data pengujian. Hasil evaluasi menunjukkan bahwa untuk model yang terbentuk dari data imputasi E-SOM menghasilkan nilai akurasi yang lebih baik untuk variasi 20, 30, 50, 60, dan 80 neuron dalam klasifikasi data pengujian. Sedangkan untuk variasi 40 neuron, model terbentuk dari data imputasi SOM menghasilkan nilai akurasi yang lebih baik, dan untuk variasi 70 neuron, kedua metode menghasilkan nilai akurasi yang sama. Selain itu, menerapkan berbagai kombinasi variasi dalam jumlah neuron dan jumlah ansambel dalam metode ini imputasi E-SOM. Model Random Forest dihasilkan dari data dari imputasi E-SOM dengan kombinasi 60 neuron dan 5 ansambel menghasilkan nilai akurasi paling optimal.

---

Missing values ​​are values ​​that are not stored in certain variables in the observation. Missing values ​​can be found in data in almost all fields of research and can complicate data analysis. Self-Organizing Maps (SOM) is a neural network based clustering method that can be used as an imputation method, where SOM blames missing values ​​by generalizing observations contains missing values. Ensemble Self-Organizing Maps (E-SOM) is the development of the SOM imputation method, in which the E-SOM method is applied to an ensemble framework by using multiple SOMs to improve generalization capabilities. In this thesis the E-SOM and SOM methods are implemented for the imputation of missing values ​​in South African Heart Disease data with using 15 ensembles and various variations in the number of neurons. In the imputation data the two methods are then formed by the Random Forest classification model and an evaluation of the performance of the model is formed using the accuracy values ​​in the test data. The evaluation results show that the model formed from E-SOM imputation data produces better accuracy values ​​for variations of 20, 30, 50, 60, and 80 neurons in the classification of test data. As for the variation of 40 neurons, the model formed from SOM imputation data produces a better accuracy value, and for the variation of 70 neurons, both methods produce the same accuracy value. Other than that, applying various combinations of variations in the number of neurons and the number of ensembles in this method imputation E-SOM. The Random Forest model is generated from data from the E-SOM imputation with a combination of 60 neurons and 5 ensembles producing the most optimal accuracy value"

"ABSTRACTTraditional approaches in constructing response surface models typically ignore model uncertainty. If the relationship between the input factors and output characteristics of a process is very complex, traditional model building approaches may have limited effectiveness. In this paper, we propose a multi model ensemble and then implement this ensemble model to optimize the process performance. To form a multi model ensemble, we need to determine the weights of the different models, that is, values indicating relative importance among the models. To determine the weights, a hybrid weighting method is proposed, in which both global and local weighting methods are taken into account. Based on the hybrid weights of different models, a multi model ensemble is built and optimized. An example is illustrated to verify the effectiveness of the proposed approach. The results show that the proposed model can achieve more accurate predictive capability and that a better process improvement is reached."