Hasil Pencarian  ::  Simpan CSV :: Kembali

"Saat ini dua teknik routing dasar yang biasa diterapkan dalam sistem komunikasi packetswitchedadalah hop-by-hop routing dan source routing, namun kedua sistem routing ini masihada kekurangan dari segi kecepatan konvergensi yang lambat serta membutuhkan utilitas kerjayang besar.Pada tugas akhir ini telah dilakukan sebuah simulasi untuk mendapatkan optimasi dari routingpada komunikasi packet switched (VoIP) yaitu dengan mendapatkan shortes path agardidapatkan nilai QoS terbaik . Pencarian shortest path tidak menggunakan metode konvensionalnamun dengan metode heuristic yang lebih variatif, akurat serta cepat, dan metode heuristicyang akan dipakai adalah AntNet Algorithm.Antnet Algorithm adalah algoritma yang diadopsi dari perilaku koloni semut yang secara alamiahmampu menemukan rute terpendek dalam perjalanan dari sarang ke tempat-tempat sumbermakanan, sedangkan tujuan dari tugas akhir ini yaitu untuk merancang dan mensimulasikanantnet algorithm serta mengetahui performansi dari algoritma ini dengan melihat Quality ofService (QoS).Dari simulasi dan analisis yang dilakukan, didapat bahwa hasil panggilan layanan VoIP padaAntnet Algorihm memiliki nilai rata-rata terbaik untuk throughput sebesar 25,86 kbps, packetloss sebesar 3,41 %, one way delay rata-rata sebesar 107,97 ms, jitter sebesar 3,07 ms ,sedangkandengan OSPF memiliki nilai rata-rata terbaik untuk throughput sebesar 25,91 kbps, packet losssebesar 3,19 %, one way delay rata-rata sebesar 106,19 ms, jitter sebesar 3,03 ms dan tentu sajahal ini memenuhi standar international untuk layanan VoIP."

"Dalam sebuah jaringan, unsur keamanan merupakan sebuah hal penting yang tidak bisa ditawar-tawar lagi. Dengan semakin berkembangnya teknologi informasi baik dari sisi perangkat keras maupun lunak ternyata telah mengakibatkan berkembangnya ancaman terhadap keamanan jaringan. Dalam perancangan jaringan, diperlukan sebuah mekanisme untuk melindungi jaringan tersebut dari gangguan baik yang berasal dari dalam maupun dari luar. Cara untuk melindungi jaringan dari gangguan yang berasal dari luar adalah dengan menggunakan firewall untuk menyaring data yang keluar masuk jaringan. Iptables dan netfilter merupakan aplikasi firewall yang menjadi standar pada sistem operasi GNU/Linux. Pada awalnya iptables merupakan pengembangan dari ipchains yang keduanya dibuat oleh Paul Russel. Selain sebagai firewall, iptables juga bisa berfungsi sebagai network address translator. Iptables memiliki pasangan yang disebut netfilter yang merupakan bagian dari kernel Linux. Kedua bagian ini harus ada untuk menjalankan peran sebagai firewall. Firewall umumnya memeriksa paket berdasarkan header pada paket dan segmen. Dalam skripsi ini, aplikasi iptables dan netfilter akan dikembangkan agar dapat menyaring paket berdasarkan payload. Hasil pengembangannya berupa modul yang sanggup memeriksa paket dengan kecepata rata-rata 0,38 mikro detik per koneksi per paket."

"Komputasi terdistribusi merupakan salah satu kemajuan teknologi dalam mengolah data. Penggunaan komputasi terdistribusi memudahkan user untuk mengolah data menggunakan beberapa komputer yang secara fisik terpisah atau terdistribusi. Salah satu teknologi yang menggunakan konsep komputasi terditribusi adalah Hadoop. Hadoop merupakan framework software berbasis Java dan open source yang berfungsi untuk mengolah data yang memiliki ukuran yang besar secara terdistribusi. Hadoop menggunakan sebuah framework untuk aplikasi dan programming yang disebut dengan MapReduce. Enam skenario diimplementasikan untuk menganalisa performa kecepatan MapReduce pada Hadoop. Berdasarkan hasil pengujian yang dilakukan diketahui penambahan jumlah physical machine dari satu menjadi dua physical machine dengan spesifikasi physical machine yang sesuai perancangan dapat mempercepat kecepatan rata-rata MapReduce. Pada ukuran file 512 MB, 1 GB, 1.5 GB, dan 2 GB, penambahan physical machine dapat mempercepat kecepatan rata-rata MapReduce pada masing-masing ukuran file sebesar 161.34, 328.00, 460.20, dan 525.80 detik. Sedangkan, penambahan jumlah virtual machine dari satu menjadi dua virtual machine dengan spesifikasi virtual machine yang sesuai perancangan dapat memperlambat kecepatan rata-rata MapReduce. Pada ukuran file 512 MB, 1 GB, 1.5 GB, dan 2 GB, penambahan virtual machine dapat memperlambat kecepatan rata-rata MapReduce pada masing-masing ukuran file sebesar 164.00, 504.34, 781.27, dan 1070.46 detik. Berdasarkan hasil pengukuran juga diketahui bahwa block size dan jumlah slot map pada Hadoop dapat mempengaruhi kecepatan MapReduce.

---

Distributed computing is one of the advance technology in data processing. The use of distributed computing allows users to process data using multiple computers that are separated or distributed physically. One of technology that uses the concept of distributed computing is Hadoop. Hadoop is a Java-based software framework and open source which is used to process the data that have a large size in a distributed manner. Hadoop uses a framework for application and programing which called MapReduce. Six scenarios are implemented to analyze the speed performance of Hadoop MapReduce. Based on the study, known that the additional the number of physical machines from one to two physical machines with suitable specifications design can speed up the average speed of MapReduce. On file 512 MB, 1 GB, 1.5 GB, and 2 GB size additional the number of physical machines can accelerate MapReduce average speed on each file size for 161.34, 328.00, 460.20, and 525.80 seconds. Meanwhile, additional the number of virtual machines from one to two virtual machines with suitable specifications design can slow down the average speed of MapReduce. On file 512 MB, 1 GB, 1.5 GB, and 2 GB size, additional the number of virtual machines can slow down the average speed of each MapReduce on a file size for 164.00, 504.34, 781.27, and 1070.46 seconds. Based on the measurement result is also known that the block size and number of slot maps in Hadoop MapReduce can affect speed."

"Pandemi global COVID-19 mendorong digitalisasi di seluruh dunia. Digitalisasi di berbagai aktivitas memicu pertambahan pengguna internet dengan pesat. Penambahan pengguna meningkatkan kebutuhan akan aplikasi pengecekan performa layanan internet. Pada saat ini, terdapat beberapa aplikasi untuk melakukan pengukuran performa internet, misalnya aplikasi Speedtest. Aplikasi tersebut menguji parameter konektivitas internet, seperti ping, jitter, serta kecepatan download dan upload. Namun, aplikasi itu tidak menyediakan penjelasan terkait istilah teknis yang dapat dipahami pengguna awam. Aplikasi Network Checker berbasis Java yang penulis kembangkan menggunakan fitur pengukuran performa internet dari LibreSpeed. Penulis juga menyediakan penjelasan mengenai istilah-istilah teknis tersebut dalam halaman bantuan. Selain itu, aplikasi ini memiliki fitur untuk mendeteksi persentase throughput. Fitur tambahan tersebut diterapkan dengan basis packet sniffer TCPDUMP. Besar data hasil tangkapan TCPDUMP per detiknya diubah menjadi persentase terhadap kecepatan download maksimal. Hasil pengujian Network Checker dengan aplikasi resmi LibreSpeed memiliki perbedaan di bawah 15% untuk ping dan download speed; perbedaan 21,9% dan 39,5% untuk jitter dan upload speed. Pengujian persentase throughput menunjukkan perbedaan hanya sebesar 0,29%. Pembandingan Network Checker dengan Speedtest memperlihatkan perbedaan ping dan download speed tidak lebih dari 8%; jitter dan upload speed sebesar 25,68% dan 58,16%. Aplikasi Network Checker unggul dalam segi fitur dibandingkan dengan Speedtest, namun dengan server yang terbatas.

---

The global COVID-19 pandemic was driving digitalization around the world. Digitization in various activities triggered the rapid increase in internet users. In addition to users increases, the need for internet service performance checking applications also grew. Currently, there are several applications to measure internet performance, such as the Speedtest application. This application tests internet connectivity parameters, such as ping, jitter, and download and upload speeds. However, the application does not provide explanations related to technical terms that can be understood by ordinary users. The Java-based Network Checker application that the author developed uses the internet performance measurement feature of LibreSpeed. The author also provides explanations of these technical terms in the help page. Furthermore, this application has a feature to detect the throughput percentage. These additional features are implemented on the basis of the TCPDUMP packet sniffer. The size of the TCPDUMP captured data per second is converted into a percentage of the maximum download speed. The test results of Network Checker with the official LibreSpeed application have a difference of under 15% for ping and download speeds; difference of 21.9% and 39.5% for jitter and upload speed. Throughput percentage testing shows a difference of only 0.29%. Comparison of Network Checker with Speedtest shows the difference in ping and download speed is not more than 8%; jitter and upload speed of 25.68% and 58.16%. The Network Checker application excels in features compared to Speedtest, but with limited servers."

"Penelitian ini bertujuan untuk merancang sebuah Network Packet Broker (NPB) sebagai bagian dari sistem yang terdistribusi di jaringan untuk filtrasi konten internet publik. Di Indonesia, filtering ini merupakan amanah dari peraturan perundangundangan yang berlaku, namun belum ada produk lokal yang tersedia di pasaran. NPB bertugas menyeleksi paket dengan cepat dan tepat, dan meneruskannya ke bagian lain untuk diaplikasikan rule atau policy yang ditentukan. Intel DPDK dan Intel Hyperscan mempercepat proses dalam menerima, mengolah, dan meneruskan paket. Pengembangan NPB ini meliputi beberapa fitur atau fungsi utama (yang diuji dalam tes fungsional), keamanan, dan kemampuan remote management serta loggingnya. Hasil pengujian menunjukkan bahwa seluruh fungsi utama telah berjalan dengan seharusnya. Pengukuran kinerja berhasil mengetahui baseline dan limit dari arsitektur yang dibuat.

---

This research aims to design a Network Packet Broker (NPB) as part of a distributed system on a network for public internet content filtering. In Indonesia, this filtering is mandated by applicable regulations, but there are currently no local products available in the market. The NPB’s task is to swiftly and accurately filter packets, forwarding them to other components for the application of specified rules/policies. Intel DPDK and Intel Hyperscan accelerate the process of receiving, processing, and forwarding packets. The development of this NPB includes several main features/functions (tested in functional tests), security, and remote management capabilities as well as logging. Test results show that all main functions have run as expected. Performance measurements successfully identified the baseline and limits of the architecture developed. "

"Pentingnya protokol multicast yang handal telah diketahui belakangan ini.Perkembangan yang terjadi dari komunitas internet telah menciptakan permintaan yang kuat untuk suatu pelayanan yang baru terutama yang menyediakan pelayanan untuk sekelompok user (pemakai). Hal ini ditujukan untuk dapat bekerja sama dan berbagi informasi melalui jaringan secara efisien dan tepat waktu dan juga dapat melakukan perbaikan terhadap kerusakan ataupun paket hilang yang antara lain disebabkan oleh karena link yang putus, dan lain-lain yang terjadi pada saat terjadinya komunikasi.Scalable Dissemination Multicast Protocol (SDMP) merupakan protokol multicast one-to-many yang handal yang berbasis receiver-initiated yang memenuhi kebutuhan akan perbaikan kerusakan yang efisien dan cepat karena memiliki metoda pendeteksian kerusakan atau paket yang hilang yang dilakukan sedekat mungkin pada wilayah terjadinya kerusakan. Karena SDMP berbasis receiver-iniriated, pendeteksian kerusakan atau paket yang hilang tersebut dialihkan kepada penerima.Pendeteksian dan mekanisme perbaikan kerusakan atau paket yang hilang pada protokol SDMP disimulasikan dan dianalisa, sehingga didapat waklu rata-rata arrival-latency terbesar adalah 220.33 ms dan waktu arrival-latency maksimum terbesar adalah 819.67 ms sementara trafik perbaikan maksimum terjadi pada probabilitas terbesar (8 %) yakni sebesar 29.88 dan rasio trafik perbaikan pada source terbesar pada probabilitas link-loss terbesar yakni sebesar 10.18 dan trafik NACK terbesar pada probabilitas link-loss terbesar yakni sebesar 6.11 dan rasio trafik feedback terbesar terjadi pada probabilitas terbesar yakni sebesar 9.06.Keseluruhan parameter yang dianalisa menunjukkan grafik yang linier."

"Arsitektur 5G Core (5GC) menjawab permintaan akan koneksi berkecepatan tinggi dan aman dengan janji konektivitas yang lebih cepat dan keandalan jaringan yang lebih baik. Namun, tantangan keamanan siber terhadap serangan pada Session Management Function (SMF) melalui Packet Forwarding Control Protocol (PFCP) mendorong pengembangan Intrusion Detection System (IDS) menggunakan Machine Learning. Dataset yang digunakan dalam penelitian adalah 5G Core PFCP Intrusion Dataset milik George Amponis, dkk. Penelitian dilakukan dengan menggunakan metode fitur seleksi seperti filter dengan korelasi Pearson, embedded, dan wrapper dengan Recursive Feature Elimination (RFE). Model Machine Learning yang diujikan adalah Random Forest, Gradient Boost Machine (GBM), Light Gradient Boost Machine (LGBM), Extreme Gradient Boost (XGB), dan AdaBoost. Skenario penelitian dibuat menjadi dua berdasarkan data awal dari 5G Core PFCP Intrusion Dataset dengan lima kelas target dan skenario setelah dilakukan penggabungan pada serangan PFCP Session Modification Flood Attack menjadi empat kelas target. Penelitian mendapatkan bahwa kombinasi model GBM dengan metode seleksi fitur embedded pada skenario empat kelas target memiliki kinerja terbaik dalam mendeteksi serangan PFCP pada jaringan 5G Core dengan nilai akurasi sebesar 97,366%, presisi 97,383%, recall 97,366%, dan f1-score sebesar 97,375%.

---

The 5G Core (5GC) architecture addresses the demand for high-speed and secure connections with the promise of faster connectivity and better network reliability. However, cybersecurity challenges against attacks on the Session Management Function (SMF) through the Packet Forwarding Control Protocol (PFCP) drive the development of an Intrusion Detection System (IDS) using Machine Learning. The dataset used in the research is the 5G Core PFCP Intrusion Dataset by George Amponis, et al. Research was conducted using feature selection methods such as filters with Pearson correlation, embedded, and wrapper with Recursive Feature Elimination (RFE). The Machine Learning models tested were Random Forest, Gradient Boost Machine (GBM), Light Gradient Boost Machine (LGBM), Extreme Gradient Boost (XGB), and AdaBoost. The research scenarios were made into two based on the initial data from the 5G Core PFCP Intrusion Dataset with five target classes and the scenario after combining the PFCP Session Modification Flood Attack into four target classes. The research found that the combination of the GBM model with the embedded feature selection method in the four target classes scenario has the best performance in detecting PFCP attacks on the 5G Core network with an accuracy value of 97.366%, precision of 97.383%, recall of 97.366%, and f1-score of 97.375%."