Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penerapan algoritma partisi k-means dalam metode HOPACH clustering dalam penelitian ini dilakukan untuk mengelompokkan barisan DNA virus ebola. Proses dimulai dengan mengumpulkan barisan DNA virus ebola yang diambil dari GenBank, kemudian dilakukan ekstraksi ciri menggunakan n-mers frequency. Hasil ekstraksi ciri barisan DNA tersebut dikumpulkan dalam sebuah matriks dan dilakukan normalisasi menggunakan normalisasi min-max dengan interval [0, 1] yang akan digunakan sebagai data masukan. Hasil pengelompokan barisan DNA virus ebola pada penelitian ini diperoleh 8 kelompok dengan nilai MSS (Mean Split Silhouette) minimum 0,50266. Proses clustering pada penelitian ini menggunakan program open source R.

---

The implementation of k-means partitioning algorithm in HOPACH clustering method in this thesis is used to clustering DNA sequences of ebola viruses. The clustering process is started with collecting DNA sequences of ebola viruses that are taken from GenBank, then performing the extraction of DNA sequences using n-mers frequency. The extraction results are collected as a matrix and normalized using the min-max normalization with interval [0, 1] which will be used as an input data. As the results, we obtained 8 clusters with minimum MSS (Mean Split Silhouette) 0,50266. The clustering process in this thesis is using the open source program R."

"Salah satu cara untuk mengetahui fungsi dari ekpresi gen (DNA/Protein) adalah dengan analisis kelompok (Clustering). Metode pengelompokan HOPACH mengkombinasikan agglomerative dan partisi. Partisi yang dapat digunakan antara lain PAM, SOM, dan K-Means yang termasuk dalam hard clustering. Dalam beberapa kasus karena beberapa hal pengelompokkan objek dengan hard clustering menjadi kurang tepat. Karena itu kemudian muncul teori himpunan fuzzy (kabur, tidak pasti) yang mendasari berkembangnya metode fuzzy clustering. Salah satu metode fuzzy clustering adalah metode Fuzzy c-means (FCM) yang merupakan perkembangan dari k-means. Hasil dari penerapan algoritma partisi fuzzy c-means dalam metode pengelompokan HOPACH adalah algortima pengelompokan dengan langkah-langkah: ekstraksi ciri dengan n-mers frecuency, normalisasi, partisi dengan FCM, menentukan kelompok terbaik dengan mencari nilai MSS minimum, ordering, dan collapsing. Hal ini dilakukan berulang kali sampai kriteria berhenti terpenuhi. Penerapan algoritma ini dilakukan dengan program R. Pada penerapan algoritma partisi dalam metode HOPACH clustering, langkah normalisasi tidak perlu dilakukan, karena FCM sendiri sudah mengatasi masalah adanya outliers. Kekurangan dari penerapan ini adalah running time program yang cukup lama untuk nilai batas toleransi yang kecil.

---

One of the way to know the function of gene expression by clustering analysis. HOPACH clustering is combine thea agglomerative and partition method. The partition are PAM, SOM, and K-means which is part of hard clustering. In some cases because of the placement object in to a cluster with hard clustering can cause an error. So that is the reason why fuzzy set theory occurs and became the foundation of fuzzy clustering. One of the fuzzy clustering methods is Fuzzy C-means (FCM) which is developed from K-means.

The result from the implementation of FCM partitioning algorithm in HOPACH clustering method is the clustering algorithm which the steps are: characteristic extraction, normalization, partition using FCM, choosing the best cluster with the minimum MSS, ordering and collapsing. The process need done by iteration until the stopping criteria has reached. The implementation of this algorithm is use R program. In the implementation of FCM partitioning algorithm in HOPACH clustering method, normalization process can be deleted, because the FCM already sole the outliers problem. This disadvantage of this implementation is the running time program need quite along time for the small tolerance limits."

"Sejak adanya penemuan tentang struktur DNA yang berupa double helix, terdapat perkembangan tentang interaksi kompleks yang dibutuhkan untuk clustering (mengelompokkan) DNA menjadi clusters (kelompok-kelompok) yang memiliki kesamaan sifat ataupun fungsinya. Clustering DNA dapat dilakukan dengan metode partisi maupun metode hirarki. Dua metode tersebut dapat dipadukan dengan melakukan tahap partisi dan hirarki secara bergantian yang dikenal dengan nama HOPACH clustering. Tahap partisi dapat dilakukan dengan algoritma SOM, PAM, dan K-Means. Algoritma SOM dipilih karena menggunakan metode unsupervised learning dan efisien untuk digunakan pada data yang besar. Proses partisi dilanjutkan dengan proses ordering kemudian dilakukan collapsing dengan proses agglomerative, sehingga hasil clustering yang diperoleh menjadi lebih akurat. Penentuan cluster utama dilakukan dengan menghitung nilai kehomogenan hasil clustering menggunakan MSS (Mean Split Silhoutte). Kriteria penentuan cluster utama adalah pilih nilai MSS yang terkecil. Barisan 136 DNA EVD (Ebola Virus Disease) diperoleh dari Genbank NCBI dengan proses melakukan ekstraksi ciri DNA, selanjutnya melakukan normalisasi, dan dilanjutkan dengan menghitung jarak genetik menggunakan Jarak Euclidean. Matriks jarak genetik dapat dijadikan dasar untuk melakukan partisi serta clustering dengan menggunakan algoritma partisi SOM dalam metode HOPACH clustering. Proses ekstraksi ciri, normalisasi, dan penerapan algoritma partisi SOM dalam metode HOPACH clustering menggunakan bantuan program open source . Pada hasil clustering penerapan algoritma partisi SOM dalam metode HOPACH clustering diperoleh 9 cluster dengan nilai MSS sebesar 0,50280. Cluster yang dihasilkan dapat diidentifikasikan berdasarkan spesies dan tahun pertama kali mewabah.

---

Since the discovery of DNA structure in form of double helix, there is a development about the complex interaction required, DNA clustering into clusters which have the same features or functions. DNA clustering can be done by applying partitional or hierarchical method. Those two methods can be combined by doing partitional and hierarchical stage alternately known as HOPACH clustering. The partitional stage can be done by using SOM Algorithm, PAM, and K-Means. SOM algorithm is chosen because it uses unsupervised learning method and efficient to be used for large data. The partitional process is continued by ordering process and then performed collapsing with agglomerative process, so that the clustering result which is obtained will be more accurate. The determination of the main cluster done by calculating homogeneous value of the clustering result uses MSS (Mean Split Silhouette).

The determination criteria of the main cluster is choosing the smallest MSS value. 136 sequences of DNA EVD (Ebola Virus Disease) are obtained from NCBI Genbank by applying extraction of DNA sequence, after that doing normalization, and then calculating the genetic distance use Euclidean Distance. Genetic distance matrix can be used as a basis to do partitional and clustering by implementation SOM partitioning algorithm in HOPACH clustering method. The extraction of DNA sequence, normalization, and the implementation of SOM partitioning algorithm in HOPACH clustering method use open source program . On the result of implementation SOM partitioning algorithm in HOPACH clustering method retrieved 9 clusters with MSS value of 0,50280. The cluster which is obtained can be identified according to species and the first year of becoming an epidemic."

"Spectral clustering adalah salah satu algoritma clustering modern yang paling terkenal. Sebagai teknik clustering yang efektif, metode spectral clustering muncul dari konsep teori graf spektral. Metode spectral clustering membutuhkan algoritma partisi. Ada beberapa metode partisi termasuk PAM, SOM, Fuzzy c-means, dan k-means. Berdasarkan penelitian yang telah dilakukan oleh Capital dan Choudhury pada 2013, ketika menggunakan Euclidian distance, k-means memberikan akurasi yang lebih baik dibandingkan dengan algoritma PAM. sehingga, makalah ini menggunakan algoritma k-means. Keuntungan utama dari spectral clustering adalah mengurangi dimensi data, terutama dalam hal ini untuk mengurangi dimensi yang besar dari data microarray. Microarray data adalah chip berukuran kecil yang terbuat dari slide kaca yang berisi ribuan bahkan puluhan ribu jenis gen dalam fragmen DNA yang berasal dari cDNA. Aplikasi data microarray secara luas digunakan untuk mendeteksi kanker, misalnya adalah karsinoma, di mana sel-sel kanker mengekspresikan kelainan pada gen-nya. Proses spectral clustering dimulai dengan pengumpulan data microarray gen karsinoma, preprocessing, menghitung similaritas, menghitung , menghitung nilai eigen dari , membentuk matriks , dan clustering dengan menggunakan k-means. Dari hasil pengelompokan gen karsinoma pada penelitian ini diperoleh dua kelompok dengan nilai rata-rata Silhouette maksimal adalah 0.6336247. Proses clustering pada penelitian ini menggunakan program open source R.

---

Spectral clustering is one of the most famous modern clustering algorithms. As an effective clustering technique, spectral clustering method emerged from the concepts of spectral graph theory. Spectral clustering method needs partitioning algorithm. There are some partitioning methods including PAM, SOM, Fuzzy c means, and k means. Based on the research that has been done by Capital and Choudhury in 2013, when using Euclidian distance k means algorithm provide better accuracy than PAM algorithm. So in this paper we use k means as our partition algorithm. The major advantage of spectral clustering is in reducing data dimension, especially in this case to reduce the dimension of large microarray dataset.

Microarray data is a small sized chip made of a glass plate containing thousands and even tens of thousands kinds of genes in the DNA fragments derived from doubling cDNA. Application of microarray data is widely used to detect cancer, for the example is carcinoma, in which cancer cells express the abnormalities in his genes. The spectral clustering process is started with collecting microarray data of carcinoma genes, preprocessing, compute similarity matrix, compute , compute eigen value of , compute , clustering using k means algorithm. In this research, Carcinoma microarray data using 7457 genes. The result of partitioning using k means algorithm is two clusters clusters with maximum Silhouette value 0.6336247."

"DNA adalah salah satu pembawa informasi genetik pada makhluk hidup. Sequencing dan clustering barisan DNA telah menjadi pekerjaan utama dan rutin dalam dunia biologi molekuler, khususnya dalam bidang terapan bioinformatika. Secara umum metode clustering dapat dibedakan menjadi dua, yaitu hirarki clustering dan partisi clustering. Penelitian ini menggabungkan dua metode clustering yaitu K-Means partisi clustering pada Level 1 dan DIANA hirarki clustering pada Level 2, oleh karena itu disebut Two-Level Hybrid Clustering. Proses awal dimulai dengan mengumpulkan barisan DNA HPV yang diperoleh dari NCBI National Centre for Biotechnology Information, Ekstraksi Ciri, dan Normalisasi. Kemudian melakukan proses clustering menggunakan algoritma K-Means pada Level 1 dan algoritma DIANA pada Level 2. Untuk menghitung jarak genetik antar barisan DNA HPV digunakan persamaan Euclidian Distance. Dan validitas klaster yang digunakan untuk menentukan banyaknya klaster yang optimum adalah Indeks Davies-Bouldin IDB. Hasil penerapan Two-Level Hybrid Clustering pada 1252 barisan DNA HPV adalah data dikelompokan menjadi 4 klaster dengan nilai IDB yaitu 0.859154564. Semua perhitungan dan proses clustering menggunakan software R.

---

DNA is one of the carrier of genetic information in living organisms. Sequencing and clustering DNA sequences has become the key and routine activitis in the molecular biology, in particular on bioinformatics applications. There are two type of clustering, hierarchical clustering and partitioning clustering. In this paper, we combine two type clustering proccesses including K Means partitioning clustering on Level 1 and DIANA hierarchical clustering on Level 2, therefore it called Two Level Hybrid clustering. The beginning of process is started with collecting DNA sequences of HPV from NCBI National Centre for Biotechnology Information, Characteristics Extraction, and Normalization. The next step is clustering by implementation K Means algorithm on Level 1 and DIANA algorithm on Level 2. To calculate the genetic distance we use Euclidian Distance. Moreover, in validating cluster results in order to get optimum number of clusters, we use Davies Bouldin Index DBI. The result of implementation of Two Level Hybrid Clustering on 1252 sequences of HPV is the data clustered into 4 clusters with minimal IDB value is 0.859154564. All calculating and clustering process in this paper using software R."

"[ABSTRAKBerdasarkan data WHO tahun 2014, diperkirakan sekitar 15 juta orang di duniayang terinfeksi hepatitis B (HBsAg+) juga terinfeksi hepatitis D. Infeksi hepatitisD dapat terjadi bersamaan (koinfeksi) atau setelah seseorang terkena hepatitis Bkronis (superinfeksi). Penyakit hepatitis B disebabkan oleh virus HBV danpenyakit hepatitis D disebabkan oleh virus HDV. HDV tidak dapat hidup tanpaHBV. Hepatitis D erat hubungannya dengan infeksi virus HBV, sehingga sangatrealistis bila setiap usaha pencegahan terhadap hepatitis B, maka secara tidaklangsung mencegah hepatitis D. Pada tesis ini akan dibahas bagaimana hasilpengelompokan barisan DNA HBV menggunakan algoritma k-means clusteringdengan menggunakan perangkat lunak R. Dimulai dengan mengumpulkan barisanDNA HBV yang diambil dari GenBank, kemudian dilakukan ekstraksi cirimenggunakan n-mers frequency, dan hasil ekstraksi ciri barisan DNA tersebutdikumpulkan dalam sebuah matriks dan dilakukan normalisasi menggunakannormalisasi min-max dengan interval [0, 1] yang akan digunakan sebagai datamasukan. Jumlah cluster yang dipilih dalam penelitian ini adalah dua danpenentuan centroid awal dilakukan secara acak. Pada setiap iterasi dihitung jarakmasing-masing objek ke masing-masing centroid dengan menggunakan Euclideandistance dan dipilih jarak terpendek untuk menentukan keanggotaan objek disuatu cluster sampai akhirnya terbentuk dua cluster yang konvergen. Hasil yangdiperoleh adalah virus HBV yang berada pada cluster pertama lebih ganasdibanding virus HBV yang berada pada cluster kedua, sehingga virus HBV padacluster pertama berpotensi berevolusi dengan virus HDV menjadi penyebabpenyakit hepatitis D.

---

ABSTRACTBased on WHO data, an estimated of 15 millions people worldwide who areinfected by hepatitis B (HBsAg+) are also infected by hepatitis D. Hepatitis Dinfection can occur simultaneously with hepatitis B (co infection) or after a personis exposed to chronic hepatitis B (super infection). Hepatitis B is caused by theHBV virus and hepatitis D is caused by HDV virus. HDV can not live withoutHBV. Hepatitis D virus is closely related to HBV infection, hence it is reallyrealistic that every effort of prevention against hepatitis B can indirectly preventhepatitis D. This thesis discussed the clustering of HBV DNA sequences by usingk-means clustering algorithm and R programming. Clustering processes is startedwith collecting HBV DNA sequences that are taken from GenBank, thenperforming extraction HBV DNA sequences using n-mers frequency andfurthermore the extraction results are collected as a matrix and normalized usingthe min-max normalization with interval [0, 1] which will later be used as an inputdata. The number of clusters is two and the initial centroid selected of cluster ischoosed randomly. In each iteration, the distance of every object to each centroidare calculated using the Euclidean distance and the minimum distance are selectedto determine the membership in a cluster until two convergent clusters are created.As the result, the HBV viruses in the first cluster is more virulent than the HBVviruses in the second cluster, so the HBV viruses in the first cluster can potentiallyevolve with HDV viruses that cause hepatitis D., Based on WHO data, an estimated of 15 millions people worldwide who areinfected by hepatitis B (HBsAg+) are also infected by hepatitis D. Hepatitis Dinfection can occur simultaneously with hepatitis B (co infection) or after a personis exposed to chronic hepatitis B (super infection). Hepatitis B is caused by theHBV virus and hepatitis D is caused by HDV virus. HDV can not live withoutHBV. Hepatitis D virus is closely related to HBV infection, hence it is reallyrealistic that every effort of prevention against hepatitis B can indirectly preventhepatitis D. This thesis discussed the clustering of HBV DNA sequences by usingk-means clustering algorithm and R programming. Clustering processes is startedwith collecting HBV DNA sequences that are taken from GenBank, thenperforming extraction HBV DNA sequences using n-mers frequency andfurthermore the extraction results are collected as a matrix and normalized usingthe min-max normalization with interval [0, 1] which will later be used as an inputdata. The number of clusters is two and the initial centroid selected of cluster ischoosed randomly. In each iteration, the distance of every object to each centroidare calculated using the Euclidean distance and the minimum distance are selectedto determine the membership in a cluster until two convergent clusters are created.As the result, the HBV viruses in the first cluster is more virulent than the HBVviruses in the second cluster, so the HBV viruses in the first cluster can potentiallyevolve with HDV viruses that cause hepatitis D.]"

"Segmentasi dalam dunia medis sudah menjadi suatu hal yang penting untuk menentukan diagnosa awal dari suatu penyakit, misalnya timbulnya tumor pada organ-organ tubuh yang berukuran kecil dan sulit teramati oleh mata telanjang. Namun, jika segmentasi dilakukan secara manual dan tradisional akan membutuhkan waktu yang banyak serta menyebabkan hasil yang tidak konsisten. Oleh karena itu, dibutuhkannya segmentasi secara otomatis yang dapat membantu dokter tidak hanya dalam mengetahui keberadaan tumor, melainkan juga dapat mengkuantifikasi ukuran tumor. Dalam penelitian ini, segmentasi otomatis dengan machine learning diterapkan menggunakan metode clustering K-Means pada fantom ekuivalen hati berbentuk silinder. Fantom ekuivalen terbuat dari material tepung beras dan lilin, yang kemudian diinjeksikan dengan radioaktivitas 18F-FDG sebesar 1,89 µCi/mL. Pengolahan citra fantom dilakukan dengan pesawat PET/CT Siemens Biograph menggunakan metode rekonstruksi Iterative 3D dan True-X serta 2 filter (Gaussian dan Butterworth). Akurasi deteksi algoritma K-Means menunjukkan bahwa dapat optimal pada tiga tipe pemindaian dengan terdeteksinya seluruh objek pada citra fantom. Namun, hal tersebut terkecualikan pada filter Gaussian dengan metode rekonstruksi Iterative 3D karena algoritma K-Means tidak dapat mendeteksi objek terkecil (4 mm) pada kedua wilayah fantom. Indikasi tidak terdeteksinya objek terkecil, dapat disebabkan oleh kinerja algoritma yang mengelompokkan objek dengan nilai piksel yang sama. Untuk hasil kuantifikasi diameter dengan algoritma K-Means (Dp) menunjukkan bahwa, hasil ukuran diameter lebih besar ±1-3 mm dibandingkan diameter fisis fantom (Dt) pada ketiga pemindaian. Namun, hal tersebut tidak berlaku pada pemindaian filter Gaussian dengan metode rekonstruksi Iterative 3D, yang memiliki kuantifikasi lebih kecil dibandingkan . Berdasarkan hasill kuantifikasi pada keempat pemindaian, ditunjukkan bahwa algoritma K-Means optimal pada filter Butterworth dengan metode rekonstruksi True-X dengan rata-rata RD untuk seluruh objek kurang dari 10%. Sehingga, untuk memvalidasi hal tersebut metode pengukuran K-Means dibandingkan dengan metode pengukuran FWHM dan FWTM dengan merata-ratakan kuantifikasi untuk setiap objek dari semua irisan. Tervalidasi bahwa algoritma K-Means memiliki performa yang optimal, dengan anilai RD yang dihasilkan hampir mendekati 0%.

---

Segmentation in medical, has become an important thing to determine the initial diagnosis of a desease, for example the emergence of tumors in organs that are small and difficult to observe manually. However, if the segmentation in medical is done manually and traditionally it will take a lot of time and cause inconsistant results. Therefore, automatic segmentation is needed which can help doctors not only by knowing the presence of tumors, but also in quantifying tumor size. In this study, automatic segmentation with machine learning was applied using the K-Means clustering algorithm method on the cylindrical liver equivalent phantom. The equivalent phantom was made from rice flour and wax, and the euqivalent phantom was injected with 18F-FDG with radioactivity 1,89 µCi/mL. The image processing was carried put using a PET/CT Siemens Biograph with Iterative 3D and True-X as reconstuction methods and 2 filters (Gaussian and Butterworth). The detection accuracy of the K-Means algorithm shows that it can be optimal in three types of scanning by detecting all objects in the phantom image. However, this is ecluded in the Gaussian filter with Iterative 3D reconstruction method, because the K-Means algorthm cannot detect the smallest object (4 mm) in both phantom regions. Indications for that phenomenon, could be caused by the performance of the algorithm that grouping the cluster with the same pixel value. For diameter quantifications of from K-Means algorithm shows that the diameter ±1-3 mm larger than the pyhsical fantom diameter (Dt). Based on the result of Dp quantification on the for type of scans, it it shown that the optimal K-Means algorithm on the Butterworth filter with the True-X reconstruction method with an average RD for all objects in phantom is less than 10%. So, to validate this result, the K-Means measurement method is compared with the FWHM and FWTM measurements methods by averaging the quantification for each object from all slices. It is validated that, the K-Means algorthm has optimal performance by reffering to the FWTM measurement where RD value is close to 0%."

"Indonesia sebagai negara kepulauan memiliki lebih dari 17 ribu pulau. Hal ini menyebabkan adanya tantangan tersendri untuk mewujudkan konektivitas antar pulaunya, terutama pada daerah terpencil dan tertinggal. Pelayaran perintis merupakan pelayaran yang disubsidi oleh pemerintah Indonesia dengan tujuan utama meningkatkan perekonomian di daerah terpencil dan tertinggal. Namun saat ini, kinerja pelayaran perintis masih belum optimal untuk mencapai tujuan tersebut. Hal tersebut ditandai dengan lamanya round voyage suatu trayek yang dapat mencapai 14 hari serta rendahnya capaian target voyage pelayaran perintis. Oleh karena itu, perlu adanya evaluasi serta efisiensi rute pelayaran perintis. Salah satu yang dapat dilakukan untuk meningkatkan efisiensi rute pelayaran perintis adalah dengan melakukan re-routing trayek pelayaran perintis. Penelitian ini melakukan re-routing pelayaran perintis di wilayah NTT-Maluku Barat Daya dengan pertama melakukan clustering menggunakan DBSCAN (Density-Based Spatial Clustering of Applications with Noise) serta optimasi dengan pendekatan TSP (Travelling Salesman Problem). Hasil yang didapatkan adalah terdapat pengurangan dari rata-rata jarak tempuh trayek pelayaran perintis sebesar 55% (dari 1276 NM menjadi 569,3 NM) serta pengurangan angka rata-rata lama round voyage trayek sebesar 74% (dari 13,3 hari menjadi 3,5 hari). Selain itu, terjadi penurunan ketimpangan antar trayeknya yang dilihat dari nilai jangkauan (range) dari jumlah pelabuhan, jarak tempuh, serta lama round voyage pada trayek pelayaran perintis di wilayah NTT-Maluku Barat Daya.

---

Indonesia, as an archipelagic country, has more than 17,000 islands. This causes challenges in realizing inter-island connectivity, especially in remote and underdeveloped areas. Pelayaran Perintis is a shipping program that the Indonesian government subsidizes to improve the economy in remote and underdeveloped areas. However, the performance of Pelayaran Perintis is still not optimal for achieving this goal. This is indicated by the length of the round voyage of a route that can reach 14 days and the low achievement of the Pelayaran Perintis voyage target. Therefore, there is a need for evaluation and efficiency of Pelayaran Perintis routes. One thing that can be done to increase the efficiency of Pelayaran Perintis routes is by re-routing Pelayaran Perintis routes. This study re-routes Pelayaran Perintis in the NTT-Maluku Southwest region by first clustering using DBSCAN (Density-Based Spatial Clustering of Applications with Noise) and optimization with the TSP (Travelling Salesman Problem) approach. The results obtained are a reduction in the average mileage for Pelayaran Perintis routes by 55% (from 1276 NM to 569.3 NM) and a reduction in the average length of round voyage routes by 74% (from 13.3 days to 3, 5 days). In addition, there has been a decrease in inequality between routes, which can be seen from the range value of the number of ports, distance traveled, and round voyage length on Pelayaran Perintis routes in the NTT-Southwest Maluku region."

"Makalah ini mcmbahas tentang pengelompokan data melalui metoda K-Muans Clustering. Hasil penjgelompokan metoda tersebut digunakan untuk memetakan data rataan nilai UMPTN IPA per kabupaien/kodya di seluruh Indonesia, dengan menggunakan Arc-View GIS versi 3.1. Dari hasil pemetaan tersebut diharapkan data yang merupakan rataan nilai UMPTN IPAtlersebut akan Iebih mudah dan menarik untuk dibaca. Terutama bagi pengambil kebijakan dalam dunia pendidikan. Dengan melihai hasil pemetaan tersebut diharapkan mereka bisa meningkatkan kualilas pendidikan atau melakukan perbaikan-perbaikan dalam dunia pcndidikan di Indonesia secara global, sesuai dengan kualitas pcndidikannya"

"Pertumbuhan pemanfaatan internet telah meningkatkan perhatian terhadap keamanan data. Pada tahun 2014, Projek SHINE (SHodan Intelligence Extraction) telah menerbitkan laporan penilaian keamanan skala besar untuk perangkat yang terhubung ke Internet. Namun, berdasarkan laporan tersebut, jumlah informasi mengenai IP address Indonesia yang berhasil didapatkan masih sedikit. Terdapat sebanyak 7.182 IP address dari Indonesia, yaitu sekitar 0,0032% dari total 2.186.971 IP address yang berhasil dikumpulkan oleh Projek SHINE. Dalam penulisan tesis ini, penulis mengajukan inisiatif untuk melakukan analisis kerentanan semua informasi Autonomous System Number (AS Number) di Indonesia dari Shodan. Penulis telah menyusun dataset semua informasi AS Number di Indonesia antara lain 12.787 port, 79 sistem operasi, 409 produk, 3.634 domain, 145.543 IP address, dan 790 organisasi. Penulis menggunakan algoritma K-Means clustering untuk mengelompokkan AS Number ke dalam beberapa kelas sesuai dengan tingkat paparan di shodan. Berdasarkan hasil pengelompokan, penulis mendapatkan 4 kelas AS Number antara lain 1.075 AS Number di kelas: 0 (belum terdapat informasi mengenai AS Number tersebut di Shodan), 614 AS Number di kelas: 1 (tingkat paparan rendah), 9 AS Number di kelas: 2 (tingkat paparan sedang), dan 1 AS Number di kelas: 3 (tingkat paparan tinggi). Informasi ini dapat dimanfaatkan oleh Kementerian yang menangani bidang Teknologi Informasi dan Komunikasi dan Badan yang menangani Keamanan Siber di Indonesia untuk menghimbau organisasi pengelola AS Number agar mewaspadai potensi kerentanan yang dinformasikan oleh Shodan dan dimanfaatkan oleh hacker.

---

The growth of internet-enabled devices has increased interest in cybersecurity. In 2014, Project SHINE (SHodan INtelligence Extraction) published a report of large-scale security assessments for devices connected to the Internet. However, the number of IP addresses harvested from Indonesia in 2014 is very small. There were 7.182 IP address from Indonesia. It was about 0,0032% from the total 2.186.971 IP addresses. In this paper, we propose an initiative to gather all information for all Autonomous System Number (AS Number) from Indonesia in Shodan. We have gathered a dataset about all information of AS Numbers in Indonesia such as 12.787 unique ports, 79 unique operating systems, 409 unique products, 3.634 unique domains, 145.543 unique IP addresses, and 790 unique organizations. We use the K-Means algorithm to cluster all AS Numbers into several classes according to the exposure level in shodan. Based on the result, we have 4 classes of AS Numbers. There are 1.075 AS Numbers in class:0 (no information in Shodan yet), 614 AS Numbers in class:1 (exposure level = low), 9 AS Numbers in class:2 (exposure level = medium), and 1 AS Number in class:3 (exposure level = high). This information can be used to warn the organizations that manage AS Numbers in Indonesia to be aware of the security and the threats to their systems."