Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Bidirectional Long-Short Term Memory (BiLSTM) yang merupakan perpanjangan dari LSTM dimana dapat meningkatkan efisiensi model dan akurasi pada skenario klasifikasi berdasarkan time series data atau data deret waktu yang lebih panjang secara berulang. Penelitian ini menggunakan algoritma BiLSTM untuk membangun model prakiraan cuaca harian di Bandar Udara Internasional Soekarno-Hatta. Set data yang digunakan adalah data parameter cuaca udara permukan (synoptic) per jam Stasiun Meteorologi Kelas 1 Soekarno-Hatta periode Januari 2018 – Desember 2022. Terjadi ketidakseimbangan pada set data maka digunakan teknik SMOTE dan ADASYN untuk menangani masalah tersebut. Output penelitian ini adalah kondisi cuaca yang dikategorikan menjadi cerah, cerah berawan, berawan, hujan ringan, hujan sedang, hujan lebat, dan hujan petir. Hasil yang diperoleh akan melalui verifikasi dan evaluasi model dengan mencari nilai akurasi dengan membandingkan prakiraan cuaca hasil output model dengan data cuaca aktual menggunakan tabel kontingensi multikategori. Setelah mendapatkan hasil perbandingan akurasi masing-masing model, diperoleh Model BiLSTM – ADASYN mendapatkan nilai akurasi rata-rata tertinggi dibandingkan model lainnya, yaitu sebesar 83,2%. Penelitian ini diharapkan dapat diimplementasikan dan mampu menaikan nilai verifikasi prakiraan cuaca Bandar Udara Soekarno-Hatta demi mendukung keselamatan penerbangan di Indonesia. ......Bidirectional Long-Short Term Memory (BiLSTM) which is an extension of LSTM which can improve model efficiency and accuracy in classification scenarios based on time series data or longer time series data repeatedly. This study uses the BiLSTM algorithm to build a daily weather forecast model at Soekarno-Hatta International Airport. The data set used is hourly synoptic weather parameter data for Class 1 Soekarno-Hatta Meteorological Station for the period January 2018 – December 2022. There was an imbalance in the data set, so the SMOTE and ADASYN techniques were used to deal with the problem. The output of this research is weather conditions which are categorized into sunny, sunny, cloudy, cloudy, light rain, moderate rain, heavy rain, and thunderstorms. The results obtained will go through model verification and evaluation by looking for accuracy values ​​by comparing the weather forecast output model results with actual weather data using multi-category contingency tables. After getting the results of comparing the accuracy of each model, it was obtained that the BiLSTM – ADASYN model had the highest average accuracy value compared to other models, which was 83.2%. This research is expected to be implemented and able to increase the value of weather forecast verification at Soekarno-Hatta Airport in order to support flight safety in Indonesia.

Abstrak :
Instrusion Detection System (IDS) merupakan sistem untuk mendeteksi serangan dalam jaringan, baik lokal maupun internet. Dalam melakukan deteksi penyalahgunaan atau deteksi anomali, beberapa peneliti telah menggunakan data mining untuk mengidentifikasi berbagai jenis intrusi, termasuk yang jarang terjadi. Namun, data mining rentan terhadap data imbalance (data tidak seimbang) yang dapat mengurangi efektivitas algoritma klasifikasi karena asumsi mayoritas classifier terhadap distribusi yang seimbang. Berdasarkan permasalahan tersebut, maka akan dilakukan penelitian terkait penanganan data imbalance menggunakan metode Adaptive Synthetic Sampling (ADASYN) dengan cara menghasilkan data sintetis pada kelas minoritas agar algoritma klasifikasi dapat bekerja lebih baik. Metode ADASYN efektif bekerja pada variabel prediksi berjumlah 2 kelas (binary class), namun dikarenakan penelitian ini berurusan dengan masalah multiclass, makan akan digunakan pendekatan One-Vs-One (OVO) untuk menyeimbangkan kelas. Keefektifan ADASYN akan dievaluasi melalui implementasinya pada dataset Wi-Fi attacks, yaitu Aegean Wi-Fi Intrusion Dataset (AWID2). Data sebelum dan setelah rebalancing dievaluasi dengan menggunakan metode klasifikasi seperti regresi logistik dan Support Vector Machine (SVM), untuk dibandingkan nilai precision, recall, spesifisitas, serta F1-score dari kedua dataset tersebut. Meskipun ADASYN hanya meningkatkan nilai precision dalam dataset Wi-Fi attacks, dengan menggunakan metode klasifikasi SVM kernel polynomial terbukti efektif dalam mendeteksi kelas serangan, meskipun performa metrik lainnya tidak mencapai tingkat yang sama. ......An Intrusion Detection System (IDS) is a system designed to detect attacks within networks, both local and internet-based. In the realm of misuse detection or anomaly detection, researchers have utilized data mining to identify various types of intrusions, including those that occur infrequently. However, data mining is susceptible to data imbalance, which can reduce the effectiveness of classification algorithms due to their assumption of balanced distribution. To address this issue, research will focus on handling data imbalance using the Adaptive Synthetic Sampling (ADASYN) method, which generates synthetic data for the minority class to enhance the performance of classification algorithms. ADASYN is effective for predictive variables with binary class scenarios, but since this study deals with multiclass problems, an One-Vs-One (OVO) approach will be employed to balance the classes. The effectiveness of ADASYN will be evaluated by implementing it on the Wi-Fi attacks dataset, specifically the Aegean Wi-Fi Intrusion Dataset (AWID2). Data before and after rebalancing will be evaluated using classification methods such as logistic regression and Support Vector Machine (SVM). Metrics including precision, recall, specificity, and F1-score will be compared between the two datasets. Although ADASYN only improves precision values in the Wi-Fi attacks dataset, using SVM with a polynomial kernel has proven effective in detecting attack classes, although other metric performances did not reach the same level.

Abstrak :
Dalam menjalankan bisnisnya, perusahaan telekomunikasi di sektor fixed broadband seringkali mengalami kebocoran pendapatan signifikan. Diantara beberapa penyebab kebocoran pendapatan, fraud merupakan faktor kebocoran yang memiliki dampak terbesar terhadap finansial dan citra perusahaan. Salah satu upaya untuk meminimalkan fraud dengan mendeteksi fraud yang dilakukan oleh pelanggan. Oleh karena itu, tujuan penelitian ini merancang classification model menggunakan machine learning untuk diaplikasikan terhadap sistem fraud detection. Classification model akan dibangun menggunakan supervised machine learning yang bertujuan untuk memprediksi kelas tertentu berdasarkan data historis yang didapatkan. Dalam penelitian ini, beberapa beberapa algoritme machine learning akan dibandingkan diantaranya logistic regression, decision tree, random forest, dan backpropagation neural network. Selain itu, dalam kasus fraud detection, data historis yang didapatkan memiliki perbandingan antar kelas yang tidak seimbang sehingga dibutuhkan pra-proses data balancing. Pada penelitian ini, data balancing dilakukan dengan oversampling berbasis Adaptive Synthetic (ADASYN). Hasil penelitian ini menunjukkan backpropagation neural network memiliki performa terbaik diantara algoritma lainnya. Selain itu didapatkan seluruh algoritme memiliki indikator performa diatas 90% menunjukkan pada kasus fraud detection di sektor fixed broadband, machine learning bekerja dengan akurat. ......In running their business, telecommunications companies in the fixed broadband sector often experience significant revenue leakage. Among several causes of revenue leakage, fraud is the leakage factor that has the most significant impact on finances and corporate image. One of the efforts to minimize fraud is to detect fraud committed by customers. Therefore, this study aims to design a classification model using machine learning to be applied to the fraud detection system. The classification model will be built using supervised machine learning, which aims to predict certain classes based on historical data. Several machine learning algorithms will be compared in this study, including logistic regression, decision tree, random forest, and backpropagation neural network. In addition, in fraud detection, the historical data obtained has an unbalanced comparison between classes, so pre-processing data balancing is needed. In this research, data balancing is done by using Adaptive Synthetic (ADASYN) based oversampling. The results of this study indicate that the backpropagation neural network has the best performance among other algorithms. In addition, it is found that all algorithms have performance indicators above 90%, indicating that in the case of fraud detection in fixed broadband sector, machine learning works accurately.

Abstrak :
Ibu Kota memiliki peran penting dalam menggambarkan seberapa besar kekuatan politik, kultural, dan ekonomi suatu negara. Apabila Ibu Kota suatu negara memiliki banyak masalah yang tidak terselesaikan, permasalahan tersebut dapat menjadi faktor–faktor yang memengaruhi suatu negara memindahkan Ibu Kotanya. Setelah ditelusuri, terdapat banyak negara yang pernah memindahkan Ibu Kotanya termasuk Indonesia. Tujuan dari penelitian ini adalah untuk membentuk model dan menganalisis faktor–faktor yang memengaruhi negara–negara di dunia memindahkan Ibu Kota dengan data yang mengandung masalah: 1. Outlier, 2. Missing values, 3. Data tak seimbang, 4. Multikolinearitas. Jika data mengandung masalah, maka model yang terbentuk menjadi tidak representatif dan sulit untuk diinterpretasikan. Sehingga diperlukan metode yang dapat digunakan untuk menangani 4 (empat) masalah tersebut, yaitu berturut-turut: 1. Quantile–Based Flooring Capping, 2. K–Nearest Neighbor, 3. Adaptive Synthetic (ADASYN), dan 4. Menerapkan model Least Absolute Shrinkage and Selection Operator (LASSO) pada regresi logistik. Hasilnya menunjukkan bahwa faktor yang memengaruhi suatu negara memindahkan Ibu Kotanya adalah ukuran populasi di Ibu Kota, populasi negara, luas area (km2), Usia Negara, sistem pemerintahan, Income Category, dan Sedangkan faktor yang tidak masuk ke dalam model yaitu Gross Domestic Product (GDP), Logistic Performance Index (LPI) Score, Regulatory Quality Index, dan E–Government Development Index adalah prediktor yang mengalami multikolinearitas, sehingga model LASSO pada regresi logistik berhasil menyusutkan prediktor tersebut menjadi 0. Adapun model akhir dari Least Absolute Shrinkage and Selection Operator (LASSO) pada regresi logistik yang diperoleh adalah g(x) = 0,3399 – 0,8019 POP_CITY + 3,5925 POP_COUNTRY + 0,3406 AREA – 0,0156 AIRPOL + 0,0679 GEI + 0,8351 PS_AVT – 0,5682 GOV_EFFECT – 1,8643 AGE – 0,7043 SYSTEM_A – 1,4408 SYSTEM_B – 0,7036 INCOME_A – 0,5272 INCOME_B – 3,7404 INCOME_C – 0,9489 ARCHIPELAGO. ......The capital city plays an important role in portraying how much political, cultural and economic power a country has. If the capital city has many unresolved problems, these problems can become factors that influence the country to move its capital city. After being traced, there are many countries that have moved their capital cities, including Indonesia. The purpose of this study is to model and analyze the factors that influence countries in the world to move its capital city with data containing problems: 1. Outliers, 2. Missing values, 3. Imbalanced data, 4. Multicollinearity. If the data contains these problems, the model formed becomes unrepresentative and difficult to interpret. Therefore, the methods that can be used to handle these 4 (four) problems, respectively: 1. Quantile-Based Flooring Capping, 2. K-Nearest Neighbor, 3. Adaptive Synthetic (ADASYN), and 4. Applying the Least Absolute Shrinkage and Selection Operator (LASSO) model in logistic regression. The results showed that the factors that influence a country to move its capital city are population size in the capital city, country population, area (km2), air pollution level (mg/m3), Global Entrepreneurship Index (GEI), Political Stability and No Violence/Terrorism Index, Government Effectiveness Index, Country Age, government system, Income Category, and whether a country is an archipelago or not. While the factors that did not enter the model, namely the Gross Domestic Product (GDP), Logistic Performance Index (LPI) Score, Regulatory Quality Index, and E-Government Development Index were predictors that experienced multicollinearity, so the LASSO model in logistic regression successfully shrinks these predictors to 0. The final Least Absolute Shrinkage and Selection Operator (LASSO) model in logistic regression obtained is g(x) = 0,3399 – 0,8019 POP_CITY + 3,5925 POP_COUNTRY + 0,3406 AREA – 0,0156 AIRPOL + 0,0679 GEI + 0,8351 PS_AVT – 0,5682 GOV_EFFECT – 1,8643 AGE – 0,7043 SYSTEM_A – 1,4408 SYSTEM_B – 0,7036 INCOME_A – 0,5272 INCOME_B – 3,740