Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Emosi adalah perasaan yang muncul dalam diri seseorang sebagai respon dari situasi tertentu. Perasan ini dapat memengaruhi pikiran, perilaku, dan persepsi seseorang terhadap suatu peristiwa. Klasifikasi emosi adalah bagian dari analisis sentimen yang bertujuan untuk menganalisis dan memperoleh emosi dari suatu data. Penelitian klasifikasi emosi berbasis teks perlu dilakukan karena dapat diimplementasikan pada berbagai bidang, seperti kesehatan dan pendidikan. Bahasa Indonesia menduduki peringkat 11 bahasa dengan penutur terbanyak di dunia dengan 200 juta penutur. Namun, penelitian klasifikasi emosi berbasis teks bahasa Indonesia masih sedikit dilakukan. Algoritma machine learning dapat digunakan untuk mengatasi berbagai tantangan dalam penelitian klasifikasi emosi seperti memahami emosi dan menganalisis emosi dari data yang tidak terstruktur. Penelitian ini berfokus pada pengembangan model machine learning dengan teknik convolutional neural network (CNN), long short-term memory (LSTM), dan bidirectional encoder representation from transformer (BERT). Berdasarkan pengujian yang dilakukan, metode convolutional neural network (CNN) mendapatkan F1 score sebesar 84,2%, metode long short term memory mendapatkan F1 score sebesar 82%, metode BERT en uncased mendapatkan F1 score sebesar 22%, dan metode BERT multi cased mendapatkan F1 score sebesar 32%. Hasil pengujian ini menandakan metode CNN merupakan metode dengan hasil pengujian terbaik dan BERT en uncased merupakan metode dengan hasil pengujian terburuk dibanding ketiga metode lainnya. ......Emotions are feelings that arise within a person in response to a particular situation. These feelings can affect a person's thoughts, behavior, and perception of an event. Emotion classification is a part of sentiment analysis that aims to analyze and derive emotions from data. Text-based emotion classification research needs to be done because it can be implemented in various fields, such as health and education. Indonesian is ranked the 11th most spoken language in the world with 200 million speakers. However, there is still little research on Indonesian text-based emotion classification. Machine learning algorithms can be used to overcome various challenges in emotion classification research such as understanding emotions and analyzing emotions from unstructured data. This research focuses on developing machine learning models with convolutional neural network (CNN), long short-term memory (LSTM), and bidirectional encoder representation from transformer (BERT) techniques. Based on the tests conducted, the convolutional neural network (CNN) method gets an F1 score of 84,2%, the long short term memroy method gets an F1 score of 82%, the BERT en uncased method gets an F1 score of 22%, and the BERT multi cased method gets an F1 score of 32%. These results indicate that the CNN is the bets method while the BERT en uncased is the worst method compared to the three other methods.

Abstrak :
Penelitian ini bertujuan untuk mengimplementasikan sistem injeksi paket forged TCP untuk memanipulasi sesi komunikasi, yang secara umum disebut dengan Policy Server (PS). Salah satu pemanfaatannya adalah untuk memblokir konten negatif pada internet publik, dalam kasus Indonesia diatur pada Permenkominfo No 19 Tahun 2014. Sayangnya, belum ada produk lokal yang tersedia di pasaran. Pada skripsi ini, DPDK diadopsi guna meningkatkan efisiensi komputasi dan meningkatkan throughput pemrosesan. Pengembangan PS ini meliputi beberapa fitur utama yakni fitur ekstraksi domain dari HTTP GET dan TLS Client Hello, pembuatan paket forged TCP untuk pemutusan koneksi, dan kemampuan remote management yang memungkinkan administrator memodifikasi domain yang dilarang dan memonitor statistik PS. Hasil pengujian fungsional dan performa menunjukkan bahwa seluruh fungsi utama telah berjalan dengan seharusnya. Pengukuran kinerja berhasil mengetahui baseline dan limit dari arsitektur yang dibuat. ......This research aims to implement a forged TCP packet injection system to manipulate communication sessions, commonly referred to as a Policy Server (PS). One of its uses is to block negative content on the public internet, as regulated in Indonesia under Minister of Communication and Informatics Regulation No. 19 of 2014. Unfortunately, there are no local products available on the market yet. In this thesis, DPDK is adopted to enhance computational efficiency and increase processing throughput. The development of this PS includes several key features, namely domain extraction from HTTP GET and TLS Client Hello, the creation of forged TCP packets for connection termination, and remote management capabilities allowing administrators to modify banned domains and monitor PS statistics. Test results indicate that all main functions have operated as intended. Performance measurements successfully identified the baseline and limits of the architecture created.

Abstrak :

Berbeda dengan arsitektur monolith, arsitektur microservice dapat melakukan scaling secara independen pada service tertentu saja, memberikan fleksibilitas yang lebih besar dalam menanggapi lonjakan traffic dan tentunya lebih menghemat resource dibanding monolith. Tidak semua service pada suatu aplikasi perlu dilakukan scaling, hanya service dengan load processing tertinggi saat menerima banyak request yang perlu dilakukan horizontal scaling untuk menghemat resource. Tetapi penentuan service yang harus dilakukan scaling harus dilakukan secara benar agar sesuai dengan kebutuhan pengguna. Salah satu metode yang bisa digunakan adalah Customer Behavior Model Graph (CBMG) dengan melihat probabilitas perpindahan halaman yang dilakukan oleh pengguna. Dari metode tersebut dapat ditemukan halaman yang paling sering diakses oleh pengguna sebelum akhirnya ditentukan service dengan load processing tertinggi. Salah satu teknik yang dimiliki oleh kubernetes adalah Horizontal Pod Autoscaling (HPA) yang memungkinkan untuk melakukan scaling hanya pada salah satu pod. Pada kubernetes, service lebih dikenal sebagai pod. Dari pengimplementasian HPA didapatkan bahwa pada percobaan terjadi penurunan access failure rate dari sebelum implementasi sebesar 17.19% dan 20.52% dan setelah implementasi turun menjadi 4.86% dan 5.44%. Selain itu terdapat kenaikan throughput pada percobaan dari sebelum implementasi sebesar 25.00 request/detik dan 41.30 request/detik, setelah implementasi didapatkan sebesar 39.30 request/detik dan 51.10 request/detik. Pada percobaan lainnya didapatkan sebelum implementasi sebesar 4.60 request/detik dan 4.20 request/detik, setelah implementasi didapatkan sebesar 15.50 request/detik dan 13.80 request/detik. Dari hasil implementasi bisa dilihat bahwa melakukan peningkatan pada salah satu pod sudah cukup untuk meningkatkan kinerja aplikasi website dengan resource yang tersedia dan dapat dioptimalkan dengan maksimal. Implementasi dilakukan pada salah satu aplikasi website microservice teastore, dengan strategi scaling berdasarkan CBMG, optimasi yg dilakukan berhasil menurunkan access failure rate dan meningkatkan throughput, meksipun menggunakan jumlah resource yang sama. dengan kata lain, setelah strategi yang dirancang diimplementasikan, penggunaan resource menjadi lebih optimal untuk melayani request-request yang ada. ......Unlike monolithic architecture, microservice architecture can independently scale specific services, providing greater flexibility in responding to traffic spikes and, of course, saving more resources compared to monoliths. Not all services in an application need to be scaled; only pods with the highest load processing when receiving many requests need to be horizontally scaled to save resources. However, determining which services need scaling must be done properly to meet user needs. One method that can be used is the Customer Behavior Model Graph (CBMG), which looks at the probability of user page transitions. From this method, the most frequently accessed pages by users can be identified before determining the service with the highest load processing. One technique available in Kubernetes is Horizontal Pod Autoscaling (HPA), which allows scaling to be done only on specific pods. From the implementation of HPA, it was found that there was a decrease in the access failure rate from before implementation by 17.19% and 20.52%, and after implementation, it decreased to 4.86% and 5.44%. Additionally, there was an increase in throughput from before implementation by 25.00 requests/second and 41.30 requests/second, after implementation, it was found to be 39.30 requests/second and 51.10 requests/second. In another experiment, before implementation was 4.60 requests/second and 4.20 requests/second, after implementation, it was 15.50 requests/second and 13.80 requests/second. Improving the performance of one pod is sufficient to enhance the performance of the website application with the available resources and can be optimized to the maximum. The implementation was carried out on one microservice website application, making it better than monolithic architecture, which needs to scale the entire application.

Abstrak :
Elektroensefalografi (EEG), adalah metode perekaman aktivitas kelistrikan otak pada kulit kepala. Aktivitas kelistrikan ini direkam dan diubah menjadi sinyal amplitudo tegangan. Hasil sinyal yang sudah diproses ini akan terklasifikasi pengguna melakukan perintah atau tidak. Sistem ini adalah purwarupa untuk pengembangan Sistem Pengendalian Tangan Artifisial Dengan EEG yang berfungsi menggerakkan tangan artifisial dengan bantuan sinyal gelombang otak. Sistem ini bekerja dengan mendeteksi keberadaan sinyal ERP P300 dalam sinyal EEG. Dalam penelitian ini, metode untuk menganalisis data EEG adalah filtrasi, ekstraksi P300 dan algoritma klasifikasi Support Vector Machines (SVM). Dari metode yang digunakan akan menunjukkan nilai rekognisi yang akan dibandingkan antar filtrasi, ekstraksi dan klasifikasi sehingga menghasilkan Filtrasi dengan Chebyshev Type I Orde 5 dengan nilai rekognisi 61.07%, ekstraksi fitur dengan Independent Component Analysis (ICA) dengan nilai rekognisi 58.64 %, dan klasifikasi data dengan Back Propagation Neural Network dengan nilai 59.97 % adalah algoritma yang paling efektif.

---

Electroencephalography (EEG), is a method of recording the brain's electrical activity on the scalp. This activity is recorded and converted to a signal amplitude voltage. The result of this signal will be classified as a user or not. This system is a prototype for the development of an Artificial Hand Control System with EEG which functions to move the artificial hand with the help of brain wave signals. This system works by detecting the presence of an ERP P300 signal in the EEG signal. In this study, methods for analyzing EEG data were filtration, extraction P300, and Support Vector Machines (SVM) classification algorithms. From the method used will show the value of recognition that will be compared between filtration, extraction and classification so as to produce Filtration with Chebyshev Type I Order 5 with recognition value of 61.07%, feature extraction with Independent Component Analysis (ICA) with recognition value of 58.64%, and data classification with Back Propagation Neural Network with a value of 59.97% is the most effective algorithm.

Abstrak :
Jenis pisang di Indonesia sangat beragam dan tingkat konsumsi buah ini sangat tinggi untuk konsumsi mingguan menningkat 198,44%, untuk konsumsi tahunan meningkat 18,30%, dan dari segi produksi daya ekspornya meningkat 26,65% selama 5 tahun terakhir dari 2014-2018. Pisang banyak manfaatnya terutama saat mulai terdapat bintik hitam karena bintik ini memiliki manfaat mencegah tumbuhnya sel-sel kanker dan meningkatkan sistem kekebalan tubuh. Pisang dengan bintik hitam maupun pisang yang tidak layak konsumsi ini dapat diprediksi dengan model machine learning, seperti CNN, DenseNet, dan GoogleNet. Convolutional Neural Network (CNN) adalah pendekatan deep learning yang banyak digunakan untuk memecahkan masalah yang kompleks. Sedangkan, DenseNet adalah algoritma yang mempertimbangkan satu gambar yang dilewatkan melalui jaringan konvolusi dimana arsitekturnya memiliki konektivitas yang padat/dense connectivity. Terakhir GoogleNet adalah algoritma ini dirancang untuk bekerja dengan baik bahkan di bawah batasan yang memori yang ketat dan biaya komputasi yang terbatas. Tulisan ini menggunakan tiga pendekatan dalam percobaan perbandingan. Pendekatan pertama menjalankan model yang dibangun dengan algoritma CNN. Kedua dengan model yang dibangun dengan algoritma DenseNet. Ketiga dengan model yang dibangun dengan algoritma GoogleNet. Model terbaik digunakan untuk memprediksi dataset Kaggle dan baru, tetapi pada dataset baru terdapat noise pada data training yang berdampak negatif pada kinerja model ini sehingga hasilnya terjadi overfitting. Hasil dari model terbaik yang memuaskan diperoleh dari semua pengujian adalah model GoogleNet pada batch size 32 dan optimizer Adam dengan hasil rata-rata pada training loss di 0,0264 dan training accuracy di 99,19%, validation loss di 0,03876, validation accuracy di 99,59%, testing loss di 0,01316, dan testing accuracy di 99,66% terhadap dataset kaggle yang digunakan. ......Type of bananas in Indonesia are very diverse and consumption level of this fruit is very high, for weekly consumption it increased by 198,44%, for annual consumption it increased by 18,30%, and for export production it increased 26,65% over the last 5 years from 2014-2018. Banana have many benefits, especially when dark spots begin to appear because these spots have benefit to preventing the growth of cancer cells and increasing immune system. Bananas with black spots and bananas that are not fit for consumption can be predicted by machine learning models, such as CNN, DenseNet, dan GoogleNet. Convolutional Neural Network (CNN) is a deep learning approach that is widely used to solve complex problems. Meanwhile, DenseNet is an algorithm that considers a single image that is passed through a convolution network where the architecture has dense connectivity. And GoogleNet's algorithm is designed to work well even under strict memory constraints and limited computational costs. This paper uses three approaches in a comparative experiment. The first approach is to run the model built with the CNN algorithm. The second is a model built with the DenseNet algorithm. Third with a model built with the GoogleNet algorithm. The best model is used to predict Kaggle and new datasets, but in the new dataset there is noise in the training data which has a negative impact on this model performance so that results are overfitting. The best model obtained from all tests is GoogleNet model on batch size 32 and Adam optimizer with average results on training loss at 0,0264 and training accuracy at 99,19%, validation loss at 0,03876, validation accuracy at 99, 59%, testing loss at 0,01316, and testing accuracy at 99,66% for kaggle dataset used.