Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKSalah satu langkah untuk mengatasi masalah malware yang sedang berkembang adalah dengan cara memprediksi tren serangan yang akan terjadi. Untuk menghasilkan prediksi yang tepat maka dibutuhkan sebuah data yang valid dan dalam jangka waktu yang cukup panjang. Setelah mendapatkan data time series kemudian akan diolah menggunakan persamaan regresi linear sehingga bisa dilihat hubungan antar variabel di periode yang akan datang. Serangan kepada jaringan internet Indonesia sepanjang tahun 2015 terkelompok menjadi 11 bagian dengan total jumlah serangan sebesar 3.162.943 yang berasal baik dari dalam negeri dan luar negeri. Dari hasil analisis diprediksi serangan jenis SQL dan Botnet Torpig akan terus berkembang hingga awal tahun 2016 dengan analisa kesalahan sebesar 5,14%.

---

ABSTRACTOne of action to overcome the malware problem is predicting the trend that will happen in the next period. In order to produce an accurate prediction, a valid data and in long term format is needed. After getting the time series data we will process that data using linear regression equation so that the relationship between variables and the prediction for the next period can be seen. Attack on Indonesia internet network throughout 2015 are grouped into 11 section with a total 3.162.943 number of attack who comes from both domestic and overseas. SQL and Botnet Torpig attack is predicted will continue to grow until early 2016 with 5.14% percentage error."

"Gempa bumi merupakan peristiwa alam yang kapan saja bisa terjadi dan dapat membahayakanorang-orang yang berada dekat dengan pusat gempa. Akan sangat baik jikakita dapat melakukan persiapan sebelum gempa bumi terjadi, tetapi permasalahannya kitatidak tahu kapan gempa bumi akan terjadi. Penelitian ini bertujuan untuk menganalisishubungan antara kejadian gempa bumi di masa lalu dan di masa mendatang denganmencoba memprediksi jumlah gempa tahunan pada suatu tahun dilihat dari jumlah kejadiangempa bumi di tahun-tahun sebelumnya. Penelitian ini membagi data kejadiangempa bumi berdasarkan dua kategori lokasi: zona waktu GMT dan lempengan bumi.Hasil dari penelitian ini berupa model-model machine learning yang dapat memprediksijumlah gempa tahunan berdasarkan masing-masing lokasi. Penelitian ini menggunakanteknik-teknik machine learning yaitu linear regression, LSTM, dan Prophet pada datasetgempa bumi dengan menggunakan pendekatan time series analysis. Penelitian ini jugamencoba beberapa pengaturan window size, dan penggunaan jenis data stationary untuktraining. Hal ini dilakukan untuk menemukan pengaturan terbaik yang dapat digunakanuntuk melakukan prediksi. Performa model yang dihasilkan akan dievaluasi menggunakanmetrik RMSE dan R2. Teknik machine learning yang dianggap memiliki performarata-rata terbaik (rata-rata dari penggunaan window size 3, 4, dan 5) untuk dua kategorilokasi tersebut adalah linear regression dengan penggunaan data stationary yang manamendapatkan rata-rata RMSE 11.26 dan R2 0.19 untuk kategori zona waktu, sedangkanuntuk kategori lempengan bumi mendapatkan rata-rata RMSE 6.87 dan R2 0.13.

---

An earthquake is a natural event that can occur anytime and endanger many lives. It is a

good thing if we can make a preparation to overcome the after-effect, but the problem is

we do not know when an earthquake will take place. The purpose of this research is to analyze

the correlation between the past and future earthquakes by predicting the number of

earthquakes in a certain year based on the number of earthquakes in previous years. This

research groups the earthquakes based on their location categorization: GMT time zone

and earth plate. The results of this research are machine learning models that can predict

the number of annual earthquakes for each location. We employ various machine learning

techniques in this research, such as linear regression, LSTM, and Prophet on earthquake

datasets with a time series analysis approach. This research also measures the effect of

window sizes and the usage of stationary data for training. This is done to find the best

settings that can be used in prediction. The models are evaluated using the RMSE and R2

metrics. The evaluation results suggest that the highest average performance (average on

the window size of 3, 4, and 5) is obtained by using the linear regression model, achieving

an RMSE score of 11.26 and an R2 score of 0.19 for the time zone categorization, and an

RMSE score of 6.87 and an R2 score of 0.13 for the earth plate categorization."