Hasil Pencarian  ::  Simpan CSV :: Kembali

"Analisis Kekuatan Sisa Penumpu Lambung Kapal Asimetris Pasca Rusak dengan Metode Beam Finite Element. Tujuan dari studi ini adalah untuk menganalisis kekuatan sisa dari penumpu lambung kapal rusak tidak simetris dalam pengaruh lentur memanjang. Metode Beam Finite Element diadopsi untuk pengujian dari kekuatan sisa dari dua kapal bulk carrier (Ship B1 dan Ship B4) dan sebuah model tiga-ruang-muat dari kapal bulk carrier dengan tipe Panamax berlambung tunggal pada kondisi hogging dan sagging. Suatu prosedur penyelesaian yang efisien dengan kata lain lambung kapal diasumsikan tetap pada bidang, momen lentur vertikal bekerja pada penampang dan model tiga-ruang- muat. Untuk kasus kerusakan, bagian yang rusak dibuat sederhana dengan menghilangkan elemen-elemen dari penampang, tegangan sisa pengelasan, dan ketidaksempurnaan awal diabaikan. Tidak ada perpanjangan retak yang dipertimbangkan. Hasil yang diperoleh dengan menggunakan metode Beam Finite Element disebut Beam-HULLST dibandingkan dengan analisis progressive collapse yang diperoleh dengan menggunakan HULLST untuk validasi dari metode yang digunakan. Kemudian, pada model tiga-ruang-muat, digunakan Beam-HULLST untuk menginvestigasi pengaruh rotasi sumbu netral pada kondisi intact dan damage dengan mempertimbangkan satu dan lima jarak gading.

---

The objective of the present study is to analyze the residual strength of asymmetrically damaged ship hull girder under longitudinal bending. Beam Finite Element Method is used for the assessment of the residual strength of two single hull bulk carriers (Ship B1 and Ship B4) and a three-cargo-hold model of a single-side Panamax Bulk Carrier in hogging and sagging conditions. The Smith?s method is adopted and implemented into Beam Finite Element Method. An efficient solution procedure is applied; i.e. by assuming the cross section remains plane, the vertical bending moment is applied to the cross section and three-cargo-hold model. As a fundamental case, the damage is simply created by removing the elements from the cross section, neglecting any welding residual stress and initial imperfection. Also no crack extension is considered. The result obtained by Beam Finite Element Method so-called Beam-HULLST is compared to the progressive collapse analysis obtained by HULLST for the validation of the present work. Then, for the three-hold-model, the Beam-HULLST is used to investigate the effect of the rotation of the netral axis both intact and damage condition taking the one and five frame spaces into account."

"Optimasi Biaya Penjadwalan Multi-Proyek pada Industri Pembuatan Mesin berbasis Engineer to Order. Paper ini membahas tentang penggunaan model mixed integer linear programming (MILP) untuk mengoptimalkan biaya dari problem penjadwalan multi-proyek pada industri pembuatan mesin. Industri ini dicirikan dengan adanya keterlambatan dalam memenuhi pesanan sehingga menyebabkan adanya biaya pinalti dan tambahan biaya pekerja. Karena itu tujuan dari studi ini adalah meminimalkan kedua biaya tersebut. Model yang dibangun dan dipecahkan dapat menunjukkan bagaimana mencapai tujuan tersebut yaitu melalui outsourcing (alih daya) atau melalui lembur. Model penjadwalan multi-proyek ini dipecahkan dengan menggunakan algoritma Branch & Bound yang telah di-coding dalam software Lingo 14,0. Hasil dari studi kasus yang menggunakan model ini menunjukkan jika sebuah perusahaan ingin menekan keterlambatan maka sebaiknya digunakan lembur bukan alih daya. Penggunaan lembur pada studi kasus dapat menekan keterlambatan multi-proyek hingga 144 hari atau 73,5%. Tetapi, jika perusahaan ingin menekan biaya maka alih daya harus digunakan. Dengan jalan ini perusahaan dapat mengurangi biaya sebesar 10.873.000 IDR atau 28,5%. Hasil ini menunjukkan model yang dibangun dapat digunakan sebagai model generic pada penjadwalan industry multi-proyek pembuatan mesin.

---

This paper discusses the utilization of mixed integer linear programming (MILP) model to optimize cost for multi- project scheduling in a machine maker company. The objective is to minimize total project?s penalty cost and labor cost. The model formulated shows how to achieve the objective i.e. whether to use outsourcing or overtime to finish all projects. The model of multi-project scheduling was solved by Branch & Bound algorithm coded in Lingo 14.0 software. The case study shows that if a company wants to minimize lateness, it should use overtime instead of outsourcing, which minimize total lateness of projects by 144 days or 73.5%. Whereas, if a company wants to optimize cost, they should use outsourcing instead of overtime, which reduces total cost of about 10,873,000 IDR or 28.5%. These results indicate that the model developed is applicable for optimizing multi-project scheduling."

"Perbandingan Standar Perancangan Amerika, Norwegia, dan Rusia dalam Menghitung Ketebalan Dinding Pipa Gas Bawah Laut. Salah satu parameter utama dalam perancangan jaringan pipa adalah perhitungan ketebalan dinding pipa. Studi ini membahas perbandingan metode perhitungan ketebalan dinding pipa untuk pipa gas bawah laut berdasarkan standar perancangan Norwegia (DNV-OS-F101), standar perancangan Indonesia (SNI 3474) yang mengacu pada standar Amerika (ASME B31.8), dan standar perancangan Rusia (VN39-1.9-005-98). Berdasarkan perhitungan terhadap pipa gas bawah laut di Indonesia (tekanan 12 Mpa, diameter eksternal 668 mm) didapatkan hasil ketebalan dinding pipa sebesar 18.2 mm (VN39-1.9-005-98), 16 mm (ASME B31.8), dan 13.5 mm (DNV-OS-F101). Untuk setiap standar, formula untuk hoop stress diintrepretasikan dengan metode yang berbeda. Hanya standar Norwegia yang menghitung hoop stress dari permukaan dalam pipa sehingga menghasilkan nilai ketebalan dinding pipa yang lebih kecil. Untuk perhitungan faktor collapse akibat tekanan luar, hanya standar Amerika dan Norwegia yang memperhitungkan faktor tersebut sedangkan standar Rusia hanya menggunakan faktor tersebut sebagai parameter antara untuk menghitung local buckling. Untuk propagation buckling, baik standar Rusia maupun Amerika menerapkan formula empiris tekanan hidrostatis kritis sebagai input dalam menghitung propagation buckling. Formula empiris ini hampir sama dengan formula empiris yang diterapkan pada standar Norwegia. Dari ketiga standar yang dibandingkan tersebut, standar Norwegia memberikan persyaratan desain yang lebih ketat dibandingkan yang lainnya.

---

One of the key issues in the pipeline design is wall thickness calculation. This paper highlights a comparison of wall thickness calculation methods of submarine gas pipeline based on Norwegian Standard (DNV-OS-F101), Indonesian Standard SNI 3474 which refers to American Standard (ASME B31.8), and Russian Standard (VN39-1.9-005-98). A calculation of wall thickness for a submarine gas pipeline in Indonesia (pressure 12 MPa, external diameter 668 mm) gives the results of 18.2 mm (VN39-1.9-005-98), 16 mm (ASME B31.8), and 13.5 mm (DNV-OS-F101).The design formula of hoop stress due to internal pressure is interpreted in different ways for every standard. Only Norwegian Standard requires calculating hoop stresses in the inner surface, which leads to a decreased value of the wall thickness. Furthermore, the calculation of collapse factor due to external pressure is only regulated in American and Norwegian Standards while Russian Standard uses that factor as an intermediate parameter in calculating local buckling. For propagation buckling, either Russian or American Standard explains empirical formula of critical hydrostatics pressure as the input in propagation buckling calculation. This formula is almost similar to the empirical formula of Norwegian Standard. From the comparison of these standards, DNV OS-F101 gives more stringent requirements than others."

"The emphasis of the book is on the question of Why – only if why an algorithm is successful is understood, can it be properly applied, and the results trusted. Algorithms are often taught side by side without showing the similarities and differences between them. This book addresses the commonalities, and aims to give a thorough and in-depth treatment and develop intuition, while remaining concise."

"Kontrol Daya Terpisah dalam Jaringan Heterogen. Dalam jaringan heterogen (HetNets) di mana BTS femtocell (FBS) dikerahkan dalam cakupan radio BTS macrocell (MBS) untuk meningkatkan kapasitas jaringan, interferensi saluran bersama (co-channel) membatasi kinerja sistem secara keseluruhan dengan menggunakan kembali frekuensi universal. Makalah ini menyelidiki skema kontrol daya terpisah downlink yang baru didistribusikan untuk FBS di HetNets dengan kerjasama sejumlah FBS. Tujuan dari skema kontrol listrik yang diusulkan adalah untuk memaksimalkan jumlah transmisi FBS simultan dalam saluran nirkabel transmisi tunggal di mana setiap FBS diperbolehkan untuk mengirimkan hanya jika persyaratan rasio signal-to-interference-noise (SINR) untuk kedua FBS dan pengguna MBS terpenuhi. Kami menerapkan teknik stochastic learning automata untuk FBS, di mana setiap FBS diperlakukan sebagai learning automaton dan mempertahankan vektor probabilitas untuk memilih daya pancar terpisah. Selama proses belajar, masing-masing FBS menyesuaikan vektor probabilitas berdasarkan umpan balik dari FGW yang menunjukkan jumlah transmisi FBS yang dapat didukung di bawah kendala persyaratan SINR dari FUE dan MUE. Hasil simulasi menunjukkan algoritma yang diusulkan dapat mencapai lebih dari dua kali jumlah transmisi FBS simultan yang dicapai berbagai skema lain yang ada dalam literatur.

---

In heterogeneous networks (HetNets) where femtocell base stations (FBSs) are deployed within the radio coverage of macrocell base stations (MBSs) to increase network capacity, co-channel interference limits overall system performance with universal frequency reuse. This paper investigates new distributed downlink discrete power control scheme for FBSs in HetNets with FBSs cooperation. The objective of the proposed power control scheme is to maximize the number of simultaneous FBSs transmissions in a single transmission wireless channel where each FBS is allowed to transmit only if the signal-to-interference-noise ratio (SINR) requirements for both FBSs and MBS users are satisfied. We apply a stochastic learning automata technique to FBSs where each FBS is treated as a learning automaton and maintains a probability vector to select its discrete transmit power. During the learning process, each FBS adjusts its probability vector based on the feedback from FGW that indicates the number of FBSs transmissions that can be supported under the SINR requirement constraints of FUEs and MUEs. Simulation results show the proposed algorithm can achieve more than twice the number of simultaneous FBS transmissions achieved by existing schemes in the literature."

"Penggunaan analisis sentimen semakin umum digunakan. Dalam pengembangan analisis sentimen ini banyak tantangan yang perlu dihadapi. Karena analisis ini termasuk Natural Language Processing NLP, hal yang perlu dimengerti adalah kompleksitas bahasa. Dengan berkembangnya teknologi Artificial Neural Network, ANN semakin banyak permasalahan yang bisa diselesaikan. Ada banyak contoh struktur ANN dan untuk penelitian ini yang digunakan adalah Convolutional Neural Network CNN dan Recurrent Neural Network RNN. Kedua jenis ANN tersebut sudah menunjukkan performa yang baik untuk beberapa tugas NLP. Maka akan dilakukan analisis sentimen dengan menggunakan kedua jenis ANN tersebut dan dibandingkan kedua performa ANN tersebut. Untuk data yang akan digunakan diambil dari publikasi stanford dan untuk mengubah data tersebut bisa digunakan pada ANN digunakan word2vec. Hasil dari analisis menunjukkan bahwa RNN menunjukkan hasil yang lebih baik dari CNN. Walaupun akurasi tidak terlalu terlihat perbedaan yaitu pada RNN yang mencapai 88.35 0.07 dan CNN 87.11 0.50, tetapi waktu pelatihan RNN hanya membutuhkan waktu 8.256 detik sedangkan CNN membutuhkan waktu 544.366 detik.

---

Term of sentiment analysis become popular lately. There are many challenges developing sentiment analysis that need to be addressed. Because this kind analysis is including Natural Language Processing, the thing need to understand is the complexity of the language. With the current development of Artificial Neural Network ANN, more problems can be solved.

There are many type of ANN and for this research Convolutional Neural Network CNN and Recurrent Neural Network will be used. Both already showing great result for several NLP tasks. Data taken from stanford publication and transform it with word2vec so could be used for ANN.

The result shows that RNN is better than CNN. Even the difference of accuracy is not significant with 88.35 0.07 for RNN and 87.11 0.50 for CNN, the training time for RNN only need 8.256 secods while CNN need 544.366 seconds."

"Penelitian ini memiliki tujuan untuk mencari model machine learning yang dapat mengenali kegiatan yang dilakukan pengguna ATM, serta mencari algoritma terbaik untuk mengetahui kapan suatu kegiatan pengguna ATM dimulai dan selesai pada suatu video. Terdapat sembilan jenis aktivitas berbeda yang ingin dideteksi. Penelitian ini dapat dibagi dalam dua fase, yaitu fase mencari rentang waktu aktivitas pada video yang disebut fase deteksi aktivitas, dan fase mengenali aktivitas tersebut yang disebut fase pengenalan aktivitas. Pada fase pengenalan aktivitas, penulis mengajukan suatu rancangan arsitektur 3D CNN, serta melakukan eksperimen terhadap parameter pada arsitektur tersebut. Setelah melakukan beberapa eksperimen, didapatkan model terbaik dengan kernel berukuran 3 x 3 x 3, menggunakan input video dengan piksel berukuran 20 x 20 per frame, dan menggunakan dua lapis layer ekstraksi fitur. Pada fase deteksi aktivitas, penulis mengajukan suatu rancangan fungsi deteksi aktivitas, yang mengikuti framework ‘classification lalu post-processing’ yang merupakan salah satu framework untuk deteksi aktivitas (Yao et al., 2018), serta melakukan eksperimen terhadap parameter pada fungsi tersebut. Setelah melakukan beberapa eksperimen, didapatkan performa terbaik dengan parameter teta sebesar 20, dan konstanta C sebesar 365. Pada kedua eksperimen tersebut, terdapat beberapa kesalahan yang dilakukan, sehingga diperlukan eksperimen lanjutan dimana kesalahan tersebut tidak dilakukan. Kesalahan tersebut adalah model kemungkinan besar masih underfit, dan terdapat permasalahan pada pemotongan video manual pada dataset. Setelah menyelesaikan kesalahan tersebut, model untuk fase pengenalan aktivitas mendapatkan akurasi sebesar 93.94%, presisi sebesar 96.36%, recall sebesar 93.94%, dan f-score sebesar 93.69%. Pada sisi lain, dalam fase deteksi aktivitas didapatkan akurasi sebesar 94.44%, presisi sebesar 96.30%, recall sebesar 96.30%, dan f-score sebesar 94.07%.

---

This research aims to find a machine learning model that can recognize the activities of ATM users, and find the best algorithm to find when each ATM user activity starts and finishes on a video. There are nine different types of activities that this study want to detect. This research can be divided into two phases, namely the phase of detecting for a time span of activity on a video that is called the activity detection phase, and the phase of recognizing that activity that is called the activity recognition phase. In the activity recognition phase, I propose a 3D CNN architecture design, and conduct experiments on the parameters of the architecture. After carrying out several experiments, the best model is obtained with a kernel with dimensions of 3 x 3 x 3, using video input with pixels measuring 20 x 20 per frame, and using two layers of feature extraction layer. In the activity detection phase, I propose an activity detection function, which follows the ‘classification then post-processing’ framework, which is one of the frameworks for activity detection (Yao et al., 2018), and conducts experiments on the parameters of the function. After carrying out several experiments, the best performance was obtained with a theta parameter of 20, and a constant C of 365. In both experiments, there were some errors made, so that further experiments were needed to be done, where the errors were not carried out. The error is that the model is most likely still in underfit phase, and there are problems with manual video clipping on the dataset. After resolving these errors, the model for the activity recognition phase gained an accuracy of 93.94%, a precision of 96.36%, a recall of 93.94%, and an f-score of 93.69%. On the other hand, in the activity detection phase an accuracy of 94.44% is obtained, a precision of 96.30%, a recall of 94.44%, and an f-score of 94.07%."

"Penelitian ini mengusulkan pengembangan model monolingual untuk Natural Language Inference (NLI) dalam bahasa Swahili untuk mengatasi keterbatasan model multibahasa saat ini. Studi ini melakukan fine-tuning pada model SwahBERT yang sudah dilatih sebelumnya untuk menangkap hubungan semantik dan nuansa kontekstual unik dalam bahasa Swahili. Komponen penting dari penelitian ini adalah pembuatan dataset SwahiliNLI, yang dirancang untuk mencerminkan kompleksitas bahasa Swahili, sehingga menghindari ketergantungan pada teks bahasa Inggris yang diterjemahkan. Selain itu, kinerja model SwahBERT yang telah di-fine-tune dievaluasi menggunakan dataset SwahiliNLI dan XNLI, dan dibandingkan dengan model multibahasa mBERT. Hasilnya menunjukkan bahwa model SwahBERT mengungguli model multibahasa, mencapai tingkat akurasi sebesar 78,78% pada dataset SwahiliNLI dan 73,51% pada dataset XNLI. Model monolingual juga menunjukkan presisi, recall, dan skor F1 yang lebih baik, terutama dalam mengenali pola linguistik dan memprediksi pasangan kalimat. Penelitian ini menekankan pentingnya menggunakan dataset yang dihasilkan secara manual dan model monolingual dalam bahasa dengan sumber daya rendah, memberikan wawasan berharga untuk pengembangan sistem NLI yang lebih efisien dan relevan secara kontekstual, sehingga memajukan pemrosesan bahasa alami untuk bahasa Swahili dan berpotensi menguntungkan bahasa lain yang menghadapi keterbatasan sumber daya serupa.

---

This research proposes the development of a monolingual model for Natural Language Inference (NLI) in Swahili to overcome the limitations of current multilingual models. The study fine-tunes the pre-trained SwahBERT model to capture Swahili's unique semantic relationships and contextual nuances. A critical component of this research is the creation of a SwahiliNLI dataset, crafted to reflect the intricacies of the language, thereby avoiding reliance on translated English text. Furthermore, the performance of the fine-tuned SwahBERT model is evaluated using both SwahiliNLI and the XNLI dataset, and compared with the multilingual mBERT model. The results reveal that the SwahBERT model outperforms the multilingual model, achieving an accuracy rate of 78.78% on the SwahiliNLI dataset and 73.51% on the XNLI dataset. The monolingual model also exhibits superior precision, recall, and F1 scores, particularly in recognizing linguistic patterns and predicting sentence pairings. This research underscores the importance of using manually generated datasets and monolingual models in low-resource languages, providing valuable insights for the development of more efficient and contextually relevant NLI systems, thereby advancing natural language processing for Swahili and potentially benefiting other languages facing similar resource constraints."

"Selama masa pandemi COVID-19, antarmuka suara menggunakan KWS (keyword spotting) semakin sering digunakan pada berbagai sistem elektronik karena minimnya kontak fisik yang diperlukan antarmuka ini. Salah satu sistem yang dapat menggunakan KWS adalah sistem navigasi lift, di mana KWS pada sistem tersebut akan mengenali kata kunci terkait lantai yang ingin dituju pengguna. Dalam penelitian ini, model KWS untuk sistem navigasi lift dibuat menggunakan CNN (Convolutional Neural Network) dan CRNN (Convolutional Recurrent Neural Network) untuk mengenali enam kata kunci spesifik. Selama proses pembuatannya, berbagai hyperparameter CRNN terkait implementasi GRU, batch normalization, dropout layer, optimizer, kernel size, dan batch size diuji pengaruh variasinya terhadap performa CRNN. Dari pengujian tersebut, ditemukan bahwa CRNN menunjukkan performa paling baik ketika GRU yang digunakan bersifat bidirectional dengan dua layer dan 64 hidden unit, kernel size sebesar 3x3, optimizer Adams, batch size sebesar 163, serta penerapan batch normalization layer sebelum dropout layer. Model CRNN yang diperoleh dari kombinasi hyperparameter terbaik kemudian dibandingkan dengan model CNN untuk dievaluasi performa klasifikasinya saat dijalankan pada Raspberry Pi 4B. Berdasarkan hasil akurasi, persentase penggunaan RAM, dan latensi, model CNN menunjukkan performa yang lebih baik daripada CRNN.

---

During the COVID-19 pandemic, voice interfaces using KWS (keyword spotting) are increasingly being used in various electronic systems due to the lack of physical contact required for this interface. One system that can use KWS is an elevator navigation system, where the KWS on the system will recognize keywords related to the floor the user wants to go to. In this study, the KWS model for the elevator navigation system was created using CNN (Convolutional Neural Network) and CRNN (Convolutional Recurrent Neural Network) to identify six specific keywords. During the manufacturing process, various CRNN hyperparameters related to GRU implementation, batch normalization, dropout layer, optimizer, kernel size, and batch size were tested for the effect of their variations on CRNN performance. From these tests, it was found that CRNN showed the best performance when the GRU used bidirectional with two layers and 64 hidden units, kernel size of 3x3, Adams optimizer, batch size of 163, and batch normalization layer applied before dropout layer. The CRNN model obtained from the best combination of hyperparameters is then compared with the CNN model to evaluate its classification performance when run on the Raspberry Pi 4B. Based on the results of accuracy, percentage of RAM usage, and latency, CNN model shows better performance than CRNN."

"Salah satu tantangan utama investigasi insiden kebocoran data adalah tidak tersedianya kerangka kerja spesifik yang sesuai dengan karakteristik insiden kebocoran, disertai langkah-langkah yang jelas dan memberikan hasil investigasi yang komprehensif. Tantangan lain berupa proses analisis terhadap logs berjumlah besar akan menghabiskan waktu dan berpotensi terjadi human-error bila dilakukan secara manual. Pendekatan machine learning (ML) dapat dijadikan solusi, namun kinerja ML seringkali tidak optimal dikarenakan kondisi ketidakseimbangan dataset. Untuk itu, pada penelitian ini dikembangkan kerangka kerja forensik digital baru yang bernama KARAFFE (Kalamullah Ramli–Arif Rahman Hakim–Forensic Framework for Exfiltration), yang bersifat spesifik sesuai dengan karakteristik kebocoran data. Tahapan dan komponen pada KARAFFE mampu menghasilkan jawaban atas pertanyaan investigatif berupa What, When, Who, Where, Why dan How (5WH) dari insiden yang diinvestigasi. Berdasarkan karakteristik pembanding yang ditetapkan, KARAFFE memenuhi enam indikator karakteristik mengungguli kerangka kerja existing lainnya. Lebih lanjut, analisis studi kasus menunjukkan bahwa KARAFFE mampu menginvestigasi insiden secara utuh disertai jawaban 5WH yang lengkap atas insiden yang diuji. Metode lain yang dikembangkan adalah ARKAIV (Arif Rahman Hakim-Kalamullah Ramli-Advanced Investigation). Metode ARKAIV berbasis ML mampu memprediksi terjadinya exfilration berdasarkan event logs yang dipetakan ke adversarial tactics. Untuk prediksi tersebut dilakukan modifikasi dataset berupa rangkain tactics dengan exfiltration sebagai target dan didesain skema resampling untuk mengatasi kondisi ketidakseimbangan dataset. SMOTEENN menghasilkan kinerja terbaik mengungguli empat teknik resampling lainnya, dengan meningkatkan nilai geometric-mean 0 pada initial dataset menjadi 0.99 pada resampled dataset. Selain itu, model ML pada metode ARKAIV dipilih dengan kinerja paling optimal berdasarkan lima teknik feature selection, menerapkan lima classifiers ML, dan dua teknik validasi model. Hasil ML-ARKAIV menunjukkan bahwa Random Forest melampaui kinerja empat classifiers lainnya (XGBoost, Logistic Regression, Naive Bayes, dan Support Vector Machine), dengan mean accuracy sebesar 99.1% (5-folds), 99.8% (10-folds), 99.7% (5-folds 5-repetitions), dan 99.74% (10-folds 10-repetitions). Selain itu, analisis studi kasus menunjukkan bahwa ARKAIV mampu memprediksi secara akurat dua insiden exfiltration dan satu insiden non-exfiltration. Dengan demikian, ARKAIV menunjukkan konsistensi kinerja dan efektifitasnya dalam memprediksi terjadinya exfiltration dalam berbagai skenario.

---

One of the primary challenges in investigating data breach incidents is the lack of a specific framework tailored to the characteristics of such incidents, accompanied by clear steps to ensure comprehensive investigative results. Another challenge lies in the analysis of large volumes of logs, which is time-consuming and prone to human error when performed manually. Machine learning (ML) approaches offer a potential solution; however, their performance is often suboptimal due to the imbalance in datasets. This study proposes a novel digital forensic framework named KARAFFE, designed specifically to address the unique characteristics of data breach incidents. The stages and components of KARAFFE are structured to answer investigative questions encompassing What, When, Who, Where, Why, and How (5WH) of the incidents under investigation. Case study analysis demonstrates that KARAFFE provides a complete investigation of incidents, delivering comprehensive 5WH responses for the examined cases. Based on the established comparative characteristics, KARAFFE meets six key indicators, outperforming other existing frameworks. Furthermore, the case study analysis demonstrates that KARAFFE enables comprehensive incident investigation, providing complete 5WH answers for the tested incidents. Additionally, this study introduces the ARKAIV method. ARKAIV is an ML-based approach capable of predicting exfiltration attacks based on event logs mapped to adversarial tactics. To facilitate these predictions, the dataset was modified to include a sequence of tactics with exfiltration as the target, and a resampling scheme was designed to address dataset imbalance. SMOTEENN achieved the best performance, surpassing four other resampling techniques by improving the geometric mean value from 0 on the initial dataset to 0.99 on the resampled dataset. Furthermore, the ML models in ARKAIV were selected for optimal performance through the application of five feature selection techniques, five ML classifiers, and two model validation methods. The results of ML-ARKAIV indicate that Random Forest outperformed four other classifiers (XGBoost, Logistic Regression, Naive Bayes, and Support Vector Machine), with mean accuracy rates of 99.1% (5-folds), 99.8% (10-folds), 99.7% (5-folds with 5 repetitions), and 99.74% (10-folds with 10 repetitions). Additionally, the case study analysis demonstrated that ARKAIV accurately predicted two exfiltration incidents and one non-exfiltration incident. These findings underscore ARKAIV's consistent performance and effectiveness in predicting exfiltration across various scenarios."