Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 9 dokumen yang sesuai dengan query
cover
Bhuyan, Monowar H.
Network traffic anomaly detection and prevention : concepts, techniques, and tools
Cham, Switzerland: Springer, 2017
005.83 BHU n
Buku Teks SO  Universitas Indonesia Library
cover
Yo Panjikhrisna
Pengembangan metode monitoring enviroment, efisiensi, dan pendeteksian anomali pada kendaraan berbasis bahan bakar dengan machine learning. = Construction of a method of environment, eficiency, and anomaly detection monitoring on fossil fuel cars with machine learning
"Dunia pada saat ini membutuhkan metode transportasi untuk menggerakkan orang,atau komoditas. Namun permasalahan yang muncul adalah kemampuan individual untuk mengetahui kinerja kendaraan tersebut terbatas. Sistem indikasi secara umum dapat mendeteksi permasalahan yang muncul namun tidak dapat menganalisa degradasi kendaraan secara umum. Untuk menanggulangi tersebut, perlu didesain sistem yang dapat mendeteksi performa kendaraan secara lebih holistic. Pertama, perlu diambilnya data dari sensor kendaraan, dan kemudian diproses untuk mencari degradasi performa dan anomaly yang muncul. Data tersebut akan dapat disimpan dengan database untuk pengaksesan yang mudah. Dengan menggunakan teknologi machine learning, terutama menggunakan algoritma neural network (NN), dapat dicari relasi-relasi dari informasi yang dapat diterima dari kendaraan untuk menjadi informasi yang dapat diproses oleh pengguna untuk mengambil keputusan. Hasil yang diamati, dalam jangka waktu eksperiment belum ada terdeteksi penurunan performa signifikan. Namun dengan penambahan noise, sistem dapat mendeteksi degradasi atau anomaly pada data.
Untuk menampilkan data ke pengguna, sebuah tampilan dasbor digital dapat digunakan. Secara optimal data dapat diambil dari semua lokasi. Untuk menghasilkan ini data web didesain dengan data yang tertransfer dari web ke dasbor mobil.
The world today need transportation methods for people and commodities. The problem lies in the capabilities of individuals to have knowledge on the performance of the vehicle will mostly be limited. The problem with common indication systems is that it can’t detect problems before the point of failure. Because of that there is a need to design a system which can detect change in performance and indicate it to users. First data is extracted from automobile sensors, then processed to form connecctions and discern the anomalies and degradation caused by wear. This data, to be more easily accessed, is stored in databases. By using Neural Network Algorithms, the model designed can find relations between informations accepted and convert it to usable information. Although with this system proposed no significant drop in performance was noticed in the available data. Although with added noise, anomalies and degradation may be detected.
To create an interface for users, an interface or digital dashboard may be used. Optimally the data can be observed reliably from every position. To create this a web may be designed with transferable data from web to car dashboard
"
Depok: Fakultas Teknik Universitas Indonesia, 2020
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Muhammad Zaini
Pengembangan Algoritma Collaborative-RepresentationBased Detector (CRD) dengan Threshold Penyesuaian RootMean (RM) untuk Deteksi Anomali pada Citra Hiperspektra = Implementation of Collaborative-Representation-Based Detector (CRD) using Root-Mean Adjustment Threshold for Anomaly Detection in Hyperspectral Imagery
"ABSTRAK
Dalam kurun waktu lebih dari dua dekade terakhir, deteksi anomali menjadi salah satu topik yang menarik bagi para peneliti untuk dikembangkan. Collaborative-Representation-Based Detector (CRD) merupakan salah satu metodologi deteksi anomali yang berhasil dikembangkan. CRD melakukan aproksimasi masing-masing piksel pada background yang direpresentasikan oleh piksel-piksel tetangga, sementara itu piksel anomali tidak bisa direpresentasikan sama seperti piksel yang lainnya. Citra yang dihasilkan dari metodologi ini tergolong baik, karena mampu mendeteksi piksel anomali dengan cukup akurat. Kelemahannya adalah, citra hasil deteksi yang dihasilkan cenderung memperlihatkan banyak piksel yang sebenarnya bukan anomali walaupun dengan nilai intesitas yang sangat kecil. Penerapan threshold penyesuaian Root-Mean pada penelitian ini akan melakukan filter terhadap piksel-piksel pengganggu yang tidak diinginkan pada citra hasil proses CRD tersebut sehingga memberikan hasil yang lebih memuaskan. Dari sembilan data yang digunakan pada penelitian ini, hampir semua data menunjukan perbaikkannya setelah dilakukan filter dengan threshold RM.
ABSTRACT
Over the last two decades, anomaly detection is one of most interesting topics to develop for researchs. Collaborative-Representation-Based Detector (CRD) becomes one of the methodologies that was successfully developed. In CRD, each pixel in background can be approximately represented by its spatial neighborgoods, while anomalies cannot. The output image of this methodology can be categorized as good enough because it can detect the anomalies pixel accurately. However, the output image tend to show us there are many normal pixels around the anomaly pixel, although in very low intensity. Implementation of Root-Mean Adjustment threshold in this research will filter that unexpected pixel to obtain the statisfactory results. To compare performences of Root-Mean Adjustment threshold. Most of the nine Data show us that its unexpected can be filtered and show the better results.
"
Depok: Fakultas Teknik Universitas Indonesia, 2019
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Ahmad Fakhrul Fauzi
Implementasi dan evaluasi sistem monitoring pengukuran energi listrik berbasis protokol jaringan LoRaWAN = Implementation and evaluation for monitoring system in electrical meter based on LoRaWAN network
"Pemakaian energi listrik dalam suatu bangunan dapat dihitung berdasarkan energi listrik yang terukur pada meteran. Semakin besar energi listrik yang terpakai, maka semakin besar pula biaya yang harus dikeluarkan. Pemakaian energi berbanding lurus dengan kenyamanan yang dirasakan. Pengukuran manual dari energi terutama energi listrik masih diterapkan hingga saat ini. Dengan teknologi yang sudah berkembang sudah semestinya pengukuran energi listrik dan monitoring dilakukan secara digital. Pengukuran energi listrik secara digital diartikan sebagai pengukuran yang sudah terkoneksi dengan jaringan dan secara automasi mengirimkan data langsung ke server. Fungsi dari diterapkannya pengukuran digital yaitu untuk memudahkan pengguna dan petugas dalam memonitor pemakaian energi pada suatu bangunan.
Salah satu protokol jaringan yang sedang berkembang dan banyak digunakan saat ini yaitu protokol LoRaWAN (Long Range Wide Area Network). LoRaWAN cocok diterapkan untuk berbagai device karena memiliki konektivitas yang luas, kapasistas yang tinggi, dan daya yang rendah. Dengan kelebihan itu semua, maka LoRa dapat diterapkan untuk stream data meter yang masif. Data yang didapat dari meter listrik dapat divisualisasikan melalui web sehingga seluruh data dan pemakaian energi listrik dapat dipantau dan diintegrasi.
Perancangan sistem monitoring energi listrik menggunakan jaringan LoRaWAN dapat diterapkan guna mengubah pengukuran manual menjadi pengukuran digital. Data-data energi listrik dari pengguna juga dapat dianalisis dengan baik karena data yang didapatkan lebih akurat. Penelitian kali ini bertujuan untuk merancang dashboard meter listrik yang mudah dipahami oleh pengguna serta dapat menjalankan analisis otomatis pada penggunaan energi listrik menggunakan deteksi anomali azure ketika pengguna melakukan konfirmasi pembayaran.
Analisis data pemakaian energi listrik dengan deteksi anomali dapat dilakukan guna mendeteksi anomali pemakaian energi listrik pengguna. Ketika terjadi perubahan rata-rata pemakaian energi listrik sebesar 0.1 KwH dari hari sebelumnya maka, kita dapat mengelompokkan data tersebut ke dalam anomali. Metode untuk menghitung akurasi menggunakan nilai confusion matrix yang didapatkan. Hasil akurasi dari deteksi anomali pada penggunaan rata-rata energi listrik pengguna yang dilakukan yaitu sebesar 89%.
The use of electrical energy in a building can be calculated based on the electrical energy measured on the meter. The greater the electrical energy used, the greater the costs to be incurred. Energy consumption is directly proportional to the perceived comfort. Manual measurement of energy, especially electrical energy, is still applied today. With technology that has developed, electrical energy measurement and monitoring should be done digitally. Digital measurement of electrical energy is defined as a measurement that is connected to the network and automatically sends data directly to the server. The function of applying digital measurements is to make it easier for users and officers to monitor energy consumption in a building.
One of the network protocols that is being developed and widely used today is the LoRaWAN (Long Range Wide Area Network) protocol. LoRaWAN is suitable for various devices because it has wide connectivity, high capacity, and low power. With all of these advantages, LoRa can be applied to massive data meter streams. The data obtained from the electricity meter can be visualized via the web so that all data and electricity consumption can be monitored and integrated.
The design of an electrical energy monitoring system using the LoRaWAN network can be applied to convert manual measurements into digital measurements. Electrical energy data from users can also be analyzed properly because the data obtained is more accurate. This study aims to design an electric meter dashboard that is easy to understand by users and can run automatic analysis on electrical energy usage using azure anomaly detection when the user confirms a payment.
Analysis of electrical energy consumption data with anomaly detection can be carried out in order to detect anomalies in the user's electrical energy consumption. When there is a change in the average electricity consumption of 0.1 KwH from the previous day, we can group the data into anomalies. The method for calculating accuracy uses the obtained confusion matrix value. The results of the accuracy of anomaly detection on the average user's use of electrical energy is 89%."
Depok: Fakultas Teknik Universitas Indonesia, 2021
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Jonathan Marshell Kevin
Analisis dan Pemodelan Pendeteksi Anomali pada Data yang Tidak Seimbang Menggunakan Generative Adversarial Network (GAN) = Analysis and Modeling of Anomaly Detection on Imbalanced Data Using Generative Adversarial Networks (GANs)
"Dalam sistem industri modern, dengan majunya teknologi Internet of Things (IoT), pelaku industri dapat merekam data mesin dan sistem untuk kemudian dianalisa secara lebih komprehensif. Salah satu bentuk analisa yang dapat dilakukan adalah mendeteksi apakah ada anomali dari mesin atau sistem tsb. Aktivitas ini kemudian menjadi krusial bagi pelaku industri karena berdasarkan analisa ini, jika ditemukan anomali, maka secara dini dapat diambil tindakan yang diperlukan untuk melakukan pemeliharaan. Tetapi, sangat umum bagi pelaku industri tidak memiliki atau kekurangan data anomali, terutama pada sistem yang baru beroperasi. Dalam tesis ini, kami mengembangkan sebuah model untuk mendeteksi anomali pada data yang tidak berimbang dari sistem Secure Water Treatment (SWaT). Performa dari model ini kemudian dibandingkan dengan metode lain dari riset sebelumnya, mendemonstrasikan peningkatan dalam kapabilitas mendeteksi anomali.
In modern industrial systems, particularly with the advancement of the Internet of Things (IoT), industry players can record machine and system data for comprehensive analysis. One such analysis involves detecting anomalies in machines or systems. This activity becomes crucial because, if an anomaly is found in the data, corrective actions can be taken promptly. However, it is common for manufacturers to lack recorded anomaly datasets, especially for newly operational systems. In this paper, we develop a model to detect anomalies in an imbalanced dataset from the Secure Water Treatment (SWaT) system. The performance of the proposed model is compared with previous works, demonstrating significant improvements in anomaly detection capabilities."
Depok: Fakultas Teknik Universitas Indonesia, 2024
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Yeremia Nikanor Nugroho
Pengembangan sistem deteksi anomali pada jaringan telekomunikasi LTE Portabel menggunakan OpenAirInterface dan ELK = Anomaly detection system development on Portable LTE Telecommunication Networks using OpenAirInterface and ELK
"ABSTRAK
Deteksi anomali merupakan solusi bagi operator seluler untuk mengatasi sulitnya kontrol kualitas terhadap penggunaan telepon seluler yang marak. Sistem pemantauan jaringan telekomunikasi dengan deteksi anomali memungkinkan penemuan masalah segera sebelum menjadi kompleks. Sistem pemantauan meliputi proses manajemen dan pengolahan data, visualisasi, serta analisis deteksi anomali dilakukan dengan berbagai modul ELK. Penelitian mengimplementasikan integrasi jaringan telekomunikasi dengan
deteksi anomali untuk membentuk sistem pemantauan cerdas.
Sistem diujicobakan menggunakan lingkungan kerja yang nyata. Lingkungan kerja tersebut bersifat portabel karena hanya menggunakan sebuah komputer dengan menerapkan emulator. OpenAirInterface (OAI) merupakan alternatif membentuk jaringan telekomunikasi seluler secara portabel dengan bantuan perangkat USRP B210 yang dapat mengimplementasikan sinyal radio secara fleksibel. Jaringan telekomunikasi dalam penelitian ini mengimplementasikan berbagai elemen dalam teknologi LTE seperti HSS, MME, SGW, PGW, eNB, dan UE untuk menghasilkan data real-time yang diteruskan ke ELK.
Penelitian yang dikembangkan mampu mengimplementasikan sistem pemantauan dengan deteksi anomali yang memiliki keakuratan rata-rata sebesar 91,5%. Analisis tersebut didukung rata-rata nilai proporsi dari keadaan normal yang diprediksi dengan benar sebesar 99,31%. Di sisi lain, sistem tetap dapat mempertahankan fungsionalitas dari
jaringan telekomunikasi seluler dengan predikat sangat baik pada kualitas layanan.
ABSTRACT
Anomaly detection is a solution for cellular operators to overcome the difficulty of quality control over the proliferation of cellular phone usage. The telecommunications network monitoring system with anomaly detection enables immediate discovery of problems before they become a complex one. The monitoring system includes the process of data management and processing, visualization, and anomaly detection analysis performed with various ELK modules. Our research implements the integration of telecommunications networks with anomaly detection to form an intelligent monitoring system.
The system was tested using a real work environment. The work environment is portable because it only uses a computer by implementing an emulator. OpenAirInterface (OAI) is an alternative to forming cellular telecommunications networks in a portable manner with the help of USRP B210 devices that can implement radio signals flexibly. The telecommunications network in this study implements various elements in LTE technology such as HSS, MME, SGW, PGW, eNB, and UE to produce real-time data that is forwarded to ELK.
We implemented a monitoring system with an anomaly detection mechanism which has an average accuracy of 91.5%. This analysis is supported by an average value of the proportion of normal conditions that is correctly predicted at 99.31%. On the other hand, the system can still maintain the functionality of the cellular telecommunications network with an excellent predicate on service quality."
Depok: Fakultas Teknik Universitas Indonesia , 2020
T-Pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Muhammad Saddam Fachryansyah
Implementasi and Evaluasi Anomaly Detection System Menggunakan Metode Isolation Forest Berbasis Clustering Unsupervised pada Smart Laboratory Monitoring System Menggunakan Komunikasi LoRa yang Berada pada Ruang Tertutup = Implementation and Evaluation of Anomaly Detection System Using Isolation Forest Method Based on Unsupervised Clustering on Smart Laboratory Monitoring System Using LoRa Communication Located in Closed Space
"Pada lingkungan laboratorium sangatlah riskan untuk terjadi sebuah bencana atau kecelakaan yang tidak diinginkan, apalagi dengan laboratorium yang sangat membutuhkan panas atau temperatur yang pas, contohnya lab kimia dan fisika, khususnya pada lab kimia pada saat memanaskan cairan pada tabung reaksi atau semacamnya, dan jika terjadi overheat maka akan berakibat sangat fatal. Oleh karena itu, dibutuhkan suatu sistem yang dapat mencegah hal itu terjadi. Dengan menggunakan sistem berbasis Internet of Things (IoT), monitoring pada laboratorium akan sangat membantu karena sistemnya dapat memonitor secara real-time dan terus menerus. Sistem IoT yang digunakan dalam perancangan smart monitoring system ini adalah berbasis Long Rang (LoRa) yang sangat cocok untuk melakukan suatu kegiatan monitoring karena menggunakan daya yang kecil dan jarak yang cukup jauh. Perangkat yang digunakan pada sistem ini adalah modul Arduino Uno untuk setiap node serta gateway karena penulis menganggap lebih mudah digunakan karena serta pinnya yang cukup banyak untuk menampung colok-colokan kabel untuk sensor dan koneksi lainnya serta mudah didapatkan dan ditambahkan komponen ESP8266 untuk bisa mengakses ke jaringan internet. Sistem jaringan yang digunakan perangkat menggunakan komunikasi LoRa agar bisa dipantau secara remote. Node akan mengambil data dari sensor suhu, kelembaban (humidity), dan smoke detector lalu mentransmisikan nya ke gateway menggunakan protokol LoRa. Gateway akan meneruskan informasi ke web https://thingspeak.com menggunakan HTTP agar bisa disimpan didalam server serta bisa diakses oleh pengguna dengan tampilan dashboard. Kemudian mengekspor data dari web ThingSpeak untuk diolah oleh machine learning dan terlihat grafik perbedaan antara normal data dan anomali data menggunakan algoritma Isolation Forest. Berdasarkan eksperimen, sistem ini dinilai akan berhasil untuk lolos pengujian dan dapat diimplementasikan dengan baik pada lingkungan laboratorium untuk monitoring sesuatu kejadian agar terhindar dari hal-hal yang tidak diharapkan, di sini nanti dimasukkan hasil kuantitas dari hasil eksperimen.
In a laboratory environment, it is extremely dangerous for an unanticipated disaster or accident to happen, especially in labs that require the proper heat or temperature, like chemistry and physics labs. In the chemistry lab when heating liquids in test tubes or the like, overheating can be extremely fatal. We thus require a mechanism that can stop this from happening. Monitoring in the lab will be greatly aided by the adoption of an Internet of Things (IoT) based system since the system can monitor continuously and in real-time. This smart monitoring system's IoT system is based on Long Rang (LoRa), which is ideal for carrying out monitoring tasks since it needs less power and can be located relatively far away. The Arduino Uno module is used as each node and gateway in this system because the author believes it to be simpler to operate due to the numerous pins that can accommodate cable plugs for sensors and other connections as well as the ease of obtaining and adding the ESP8266 component to enable network access. Internet. The device's network infrastructure makes use of LoRa connectivity to enable remote monitoring. The node will use the LoRa protocol to transfer data to the gateway from the temperature, humidity, and smoke detector sensors. For data to be saved on the server and accessible by users with a dashboard view, the gateway will forward information to the https://thingspeak.com site utilizing HTTP. Then, export data from the ThingSpeak site for machine learning to analyze and use the Isolation Forest technique to graph the distinction between regular data and data abnormalities. Based on the design, this system is thought to have passed the test successfully and can be correctly deployed in a lab environment for monitoring an event to avoid unanticipated outcomes. Based on the experiment, this system is considered to be successful in passing the test and can be implemented properly in a laboratory environment for monitoring an event to avoid unexpected things, here later the quantity results from the experimental results will be included."
Depok: Fakultas Teknik Universitas Indonesia, 2022
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Linking and mining heterogeneous and multi-view data
"This book highlights research in linking and mining data from across varied data sources. The authors focus on recent advances in this burgeoning field of multi-source data fusion, with an emphasis on exploratory and unsupervised data analysis, an area of increasing significance with the pace of growth of data vastly outpacing any chance of labeling them manually. The book looks at the underlying algorithms and technologies that facilitate the area within big data analytics, it covers their applications across domains such as smarter transportation, social media, fake news detection and enterprise search among others. This book enables readers to understand a spectrum of advances in this emerging area, and it will hopefully empower them to leverage and develop methods in multi-source data fusion and analytics with applications to a variety of scenarios.
Includes advances on unsupervised, semi-supervised and supervised approaches to heterogeneous data linkage and fusion;
Covers use cases of analytics over multi-view and heterogeneous data from across a variety of domains such as fake news, smarter transportation and social media, among others;
Provides a high-level overview of advances in this emerging field and empowers the reader to explore novel applications and methodologies that would enrich the field.
"
Switzerland: Springer Nature, 2019
e20509159
eBooks  Universitas Indonesia Library
cover
Pham, Thuy T.
Applying machine learning for automated classification of biomedical data in subject-independent settings
"This book describes efforts to improve subject-independent automated classification techniques using a better feature extraction method and a more efficient model of classification. It evaluates three popular saliency criteria for feature selection, showing that they share common limitations, including time-consuming and subjective manual de-facto standard practice, and that existing automated efforts have been predominantly used for subject dependent setting. It then proposes a novel approach for anomaly detection, demonstrating its effectiveness and accuracy for automated classification of biomedical data, and arguing its applicability to a wider range of unsupervised machine learning applications in subject-independent settings."
Switzerland: Springer Cham, 2019
e20502439
eBooks  Universitas Indonesia Library