Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perkembangan knowledge graph semakin penting sebagai sumber data dan informasi kontekstual pada ilmu data. Meskipun konsep ini telah ada selama lebih dari dua dekade, memahami data knowledge graph masih menjadi tantangan bagi pengguna. Penggunaan alat visualisasi data, misalnya seperti, Wikidata Query Service (WQS), dapat membantu mengatasi tantangan tersebut. Namun, alat tersebut difokuskan hanya pada knowledge graph tertentu dan hanya disediakan sebagai aplikasi web. Di sisi lain, visualisasi dengan Python library, kglab memfasilitasi visualisasi knowledge graph generik dengan dukungan terbatas dari jenis visualisasi dibandingkan dengan WQS. Penelitian ini mengusulkan VizKG, sebagai framework (Python library) yang menyediakan berbagai macam visualisasi untuk hasil kueri SPARQL pada knowledge graph generik. VizKG menghubungkan hasil kueri dan library visualisasi eksternal melalui pemetaan variabel terhadap komponen visualisasi yang dibutuhkan. Sebagai bentuk evaluasi pendekatan kami, penelitian ini menyertakan evaluasi use case untuk VizKG pada knowledge graph generik yang berasal dari beberapa domain. Saat ini jumlah visualisasi grafik yang didukung oleh VizKG adalah 24 jenis grafik. Fitur lainnya yang didukung VizKG termasuk rekomendasi jenis visualisasi untuk pengguna dan kemudahan ekstensibilitas bagi pengembang untuk menambahkan jenis visualisasi baru. Framework VizKG ini diharapkan dapat membantu ekstraksi dan memvisualisasikan knowledge graph untuk memahami data dan mendukung analisis lebih lanjut. VizKG tersedia secara terbuka di https://pypi.org/project/VizKG/.

---

Knowledge graphs become increasingly important as a source of data and contextual information in data science. Even though knowledge graphs has been around for more than two decades, understanding SPARQL query results from a knowledge graph can be challenging for users. The use of data visualization tool, such as, Wikidata Query Service (WQS) can help address this challenge. However, existing tools are either focused just on a specific knowledge graph and only provided as a web interface. On the other hand, visualization through Python library, kglab facilitates visualizing generic Knowledge graphs though with a limited support of visualization types compared to that of WQS. This study proposes VizKG, as a framework (Python library) that provides a wide range of visualizations for SPARQL query results on any knowledge graphs. VizKG connects SPARQL query results and external visualization libraries by mapping variables to the visualization components needed. To evaluate our approach, this study includes use case evaluation for the VizKG on generic knowledge graphs originated from several domains. At this stage the number of graph visualizations supported by VizKG is 24 chart types. Other features of VizKG includes recommendations of visualization type for user and easy extensibility for developers to add new types of visualizations. This framework is expected to assist extraction and visualize knowledge graphs for understanding data and support further analysis. VizKG is openly available at https://pypi.org/project/VizKG/."

"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."