Hasil Pencarian  ::  Simpan CSV :: Kembali

"Ruang ambigu merupakan ruang dengan berbagai fungsi dan karakter akibat boundary interioritas yang berekstensi dari interior. Boundary tersebut menyebabkan fleksibilitas dalam penggunaan ruang ambigu. Hal ini memberi potensi besar pada ruang ambigu untuk dapat diokupansi. Okupansi di dalam ruang ambigu melibatkan interaksi antara manusia dengan objek atau elemen ruang dengan beraktivitas di dalamnya dan menggunakan objek di sekitar sebagai properti yang mengikat tubuh dengan ruang.Tulisan ini bertujuan untuk mendefinisikan ruang ambigu dan melihat bagaimana okupansi terjadi didalamnya melalui interaksi antara tubuh dan objek ruang yang diatur dalam setting ruang berupa thresholds, paths, nodes, dan edges. Hasil dari studi literatur kemudian digunakan dalam studi kasus untuk mengetahui potensi okupansi pada ruang ambigu di Lobi Stasiun Jakarta Kota.

---

The ambiguous space is a space with various functions and characters due to it lsquo s boundary of interiority that extends from the interior. The boundary causes flexibility in the use of ambiguous space. This flexibility gives great potential for ambiguous space to be occupied. Occupancy within the ambiguous space involves interaction between humans and objects or elements of space through activities inside it and the use of the surrounding objects as properties that bind the body with the space.

This paper aims to define ambiguous space and see how occupancy occurs inside through the interaction between body and objects arranged in the spatial settings in the form of thresholds, paths, nodes, and edges. The results of the literature study were then utilized in a case study to read the potential of occupancy in ambiguous space on Lobby of Jakarta Kota Station."

"Dalam beberapa dekade terakhir, teknologi informasi berkembang dengan sangat pesat, hal ini juga diikuti dengan meningkatnya ancaman keamanan teknologi tersebut. Serangan siber seperti hacking, malware, dan pencurian data menjadi masalah yang serius dan merugikan bagi individu ataupun organisasi. Salah satu kelemahan yang sering digunakan untuk menyerang komputer adalah melalui jaringan. Maka, dibuat metode IDS (Intrusion Detection System) yang dapat membantu menjaga keamanan jaringan. Namun, IDS yang umum digunakan memiliki kelemahan dalam melihat pola dari kemiripan. Dari koneksi tersebut dapat dibangun pola antar koneksi sebagai tanda pengenal dini jenis koneksi. Koneksi-koneksi yang dilakukan ini secara natural akan membentuk pola yang saling berhubungan dimana ada sumber dan target koneksi. Maka, dapat digunakan bentuk Graph data, yang memiliki node (simpul) dan edges (sisi) sebagai penanda sumber (host) dan koneksi yang dilakukan. Untuk membantu melihat pola dari Graph data ini, diperlukan bantuan kemampuan machine learning yang dapat membangun model untuk melihat pola tersebut. Akan digunakan arsitektur GNN dan dataset AWID-2 untuk membangun model yang mampu mengelompokkan koneksi secara efisien. Setelah proses pembelajaran selesai, ditemukan bahwa model yang sudah dibangun tersebut memiliki akurasi 0,97, presisi 0,97 serta recall bernilai 0,97, dengan nilai F1 0,97.

---

In the last few decades, information technology has evolved very rapidly, which has also been accompanied by rising security threats. Cyber-attacks like hacking, malware, and data theft are serious problems and harmful to individuals or organizations. One of the weaknesses that is often used to attack computers is through a network. So, we created an IDS (Intrusion Detection System) method that can help keep the network safe. However, the commonly used IDS has weaknesses in seeing patterns of similarities. These connections will naturally form interrelated patterns where there is a source and a destination of the connection. So, you can use the data Graph form, which has nodes and edges as hosts and connections. To help see the pattern from this Graph data, you need the help of machine learning abilities that can build a model to see that pattern. It will use the GNN model architecture and the AWID-2 dataset to build a model that can efficiently group connections. After the learning process was completed, it was found that the built-in model had an accuracy of 0.97, a precision of 0.97 and a recall value of 0,97, with a value of F1 0.97."