Penerapan Teknik Support Vector Machine untuk Pendeteksian Intrusi pada Jaringan
|
|
- Susanti Darmadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Penerapan Teknik Support Vector Machine untuk Pendeteksian Intrusi pada Jaringan LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Krisantus Sembiring / PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH TEKNIK ELEKTRO DAN INFORMATIKA INSTITUT TEKNOLOGI BANDUNG 2007
2 Lembar Pengesahan Program Studi Teknik Informatika Penerapan Teknik Support Vector Machine untuk Pendeteksian Intrusi pada Jaringan Tugas Akhir Program Studi Teknik Informatika ITB Oleh Krisantus Sembiring / Telah disetujui dan disahkan sebagai laporan Tugas Akhir di Bandung, pada tanggal 20 September 2007 Pembimbing Masayu Leylia Khodra, S.T., M.T. NIP: ii
3 RINGKASAN Pendeteksian intrusi pada jaringan penting sebagai bagian dari pertahanan. Teknik yang biasa diterapkan yaitu teknik signature based (misuse detection) memiliki kelemahan karena signature-nya harus dibuat secara manual. Dengan teknik data mining, signature ini dapat dibangun secara otomatis lewat pelatihan. Selain itu, dapat diimplementasikan dalam bentuk anomaly detection. Support Vector Machine (SVM) adalah salah satu teknik data mining yang dapat diterapkan dalam bentuk misuse detection dan anomaly detection. Untuk anomaly detection, SVM dapat diterapkan dengan menggunakan One Class SVM baik dengan pelatihan menggunakan data normal (supervised training) atau data pelatihan mengandung data intrusi (unsupervised training). Untuk misuse detection, SVM dapat diterapkan dengan menggunakan SVM biner, multi class SVM atau kombinasinya. Seluruh alternatif implementasi SVM ini dieksplorasi untuk mengetahui bagaimana model terbaik untuk mengimplementasikan SVM. Untuk itu, eksperimen dilakukan dengan menggunakan dataset KDDCUP 99. Hasilnya menunjukkan bahwa SVM memiliki performansi dan tingkat generalisasi yang cukup baik pada berbagai variasi distribusi data pada dataset. Untuk model misuse detection terbaik dipilih kombinasi antara SVM biner dan Multi Class SVM One-Against-One, sedangkan untuk model anomaly detection terbaik dipilih One Class SVM dengan supervised training. Implementasi misuse detection terbaik yang dipilih cukup scalable karena dapat menangani data pelatihan dalam jumlah yang besar sedangkan One Class SVM tidak scalable untuk pelatihan dalam jumlah data yang besar. Dari hasil eksperimen ditunjukkan juga bahwa penggunaan parameter dan teknik normalisasi data sangat berpengaruh pada efektifitas dan efisiensi SVM. Upaya peningkatan kinerja model terbaik dilakukan dengan menggunakan feature selection menggunakan f-score, penggunaan nilai C berbeda untuk mengatasi permasalahan imbalanced dataset dan incremental training. Penggunaan nilai C berbeda tidak berhasil mengatasi masalah imbalance dataset pada data KDDCUP 99. Akan tetapi, feature selection dan incremental training dapat meningkatkan efisiensi secara signifikan. Untuk misuse detection, efektifitas cenderung tidak berubah akan tetapi pada anomaly detection efektifitas One Class SVM meningkat secara signifikan. Kata kunci : Support Vector Machine, intrusi pada jaringan, Multi Class SVM, One Class SVM, Anomaly Detection, Misuse Detection, Data Mining iii
4 KATA PENGANTAR Puji syukur kepada Tuhan Yang Maha Esa karena berkat rahmat dan kebaikan-nya Penulis dapat menyelesaikan Tugas Akhir yang berjudul Penerapan Teknik Support Vector Machine untuk Pendeteksian Intrusi pada Jaringan. Laporan Tugas Akhir ini disusun untuk memenuhi persyaratan kelulusan tingkat sarjana Program Studi Teknik Informatika ITB. Dalam pelaksanan Tugas Akhir ini, Penulis menemui banyak hambatan baik dari faktor-faktor internal maupun eksternal. Namun atas bantuan dari berbagai pihak, hambatan tersebut dapat diatasi sehingga Tugas Akhir dapat dijalani dengan baik. Oleh karena itu, Penulis memberikan ucapan terima kasih kepada: 1. Ibu Masayu Leylia Khodra, S.T., M.T. selaku pembimbing Tugas Akhir 2. Ibu Ir. Sri Purwanti, M.Sc yang telah memperkenalkan dan mengajar penulis mengenai data mining dan banyak mengarahkan penulis di awal pengerjaan Tugas Akhir. 3. Bapak Ir. Dwi Hendratmo Widyantoro, M.Sc, Ph.D., selaku penguji presentasi proposal dan seminar yang juga telah banyak memberikan masukan untuk pelaksanaan Tugas Akhir ini. 4. Bapak Ir. Windy Gambetta yang menjadi penguji pada prasidang dan sidang Tugas Akhir. 5. Ibu Nur Ulfa Maulidevi, S.T, M.Sc. dosen wali dan penguji sidang Tugas Akhir. 6. Seluruh dosen program studi Teknik Informatika yang telah mengajar Penulis. 7. Anto Satriyo Nugroho, Dr. Eng yang telah memberikan penjelasan dan banyak referensi mengenai SVM. 8. Prof. Chih Jen Lin yang telah menyediakan software LibSVM dan menjawab pertanyaan Penulis. 9. Ibu Tita yang telah membantu mengunduh literatur dari jurnal. 10. Keluarga yang telah memberikan dorongan moral selama pelaksanaan Tugas Akhir 11. Eriek, Paula, Fajar, Arie, Hermanto, Neni, Fitri, Dini dan teman-teman IF 2003 yang telah mendukung Penulis selama pelaksanaan Tugas Akhir 12. Pak Rasidi, Pak Ade dan seluruh staf Tata Usaha Teknik Informatika. iv
5 13. Pihak-pihak lain yang tidak dapat disebutkan satu-persatu. Penulis menyadari bahwa dalam penulisan Tugas Akhir ini masih banyak kekurangan yang harus disempurnakan. Untuk itu Penulis mengharapkan kritik dan saran berkaitan dengan Tugas Akhir ini. Akhir kata, Penulis mengharapkan semoga Tugas Akhir ini dapat bermanfaat bagi siapapun yang membacanya. Bandung, September 2007 Penulis v
6 DAFTAR ISI Lembar Pengesahan Program Studi Teknik Informatika... ii Ringkasan... iii Kata Pengantar... iv Daftar Isi... vi Daftar Gambar... ix Daftar Tabel... xi BAB I Pendahuluan... I Latar Belakang... I Rumusan Masalah... I Tujuan... I Batasan Masalah... I Metodologi... I Sistematika Pembahasan... I-5 BAB II Landasan Teori... II Intrusion Detection System... II Arsitektur... II Intrusi... II Network-based IDS... II Pendeteksian Intrusi dengan Data Mining... II Support Vector Machine... II SVM pada Linearly Separable Data... II SVM pada Nonlinearly Separable Data... II Multi Class SVM... II One Class SVM... II Algoritma Pelatihan SVM... II Estimasi Parameter Terbaik... II SVM pada Imbalanced Dataset... II Pemilihan Atribut penting (feature selection)... II Incremental Training dengan SVM... II Pendeteksian Intrusi dengan Support Vector Machine... II-19 BAB III Analisis dan Penyelesaian Masalah... III Deskripsi Sistem... III Dataset Eksperimen... III Metode Pendeteksian Intrusi dengan SVM... III Upaya Perbaikan Performansi... III Analisis Pembelajaran Dengan SVM... III Preprocessing Data... III Pemilihan dan Estimasi Parameter Terbaik... III Algoritma Pelatihan SVM... III Analisis Perangkat Lunak... III-9 BAB IV Eksperimen... IV Tujuan... IV Parameter Evaluasi... IV Skenario... IV Replikasi Hasil Eksperimen Paper Acuan... IV Perbandingan Performansi Alternatif Implementasi SVM... IV-2 vi
7 4.3.3 Pengujian skalabilitas model terbaik... IV Upaya Peningkatan Kinerja Model Terbaik... IV Pelaksanaan... IV Lingkungan Eksperimen... IV Tahapan Data Preprocessing... IV Tahapan Pembelajaran... IV Hasil Eksperimen... IV Replikasi Hasil Eksperimen Paper Acuan... IV Eksperimen [MUK02A]... IV Eksperimen [MUK02B]... IV Eksperimen [LAS04]... IV Eksperimen [LAS05]... IV Perbandingan Performansi Alternatif Implementasi SVM... IV Pengujian skalabilitas model terbaik... IV Upaya Peningkatan Kinerja Model Terbaik... IV Kesimpulan Hasil Eksperimen... IV-28 BAB V Kesimpulan dan Saran... V Kesimpulan... V Saran... V-1 Daftar Referensi... xiv Lampiran A Deskripsi Dataset KDDCUP A-1 Lampiran B Structural Risk Minimization (SRM)... B-1 Lampiran C Multi Class SVM... C-1 C.1 Metode One-Against-All... C-1 C.2 Metode One-Against-One... C-2 C.3 Metode DAGSVM (Directed Acyclic Graph Support Vector Machine).. C-3 Lampiran D Algoritma... D-1 D.1 Algoritma Decomposition... D-1 D.2 Pseudocode Algoritma Decomposition [FAN05]... D-4 D.3 Incremental Training dengan SVM... D-5 D.4 Algoritma Untuk Menghasilkan Kurva ROC... D-6 Lampiran E Hasil Penelitian Pendeteksian Intrusi Dengan SVM... D-1 E.1 Penelitian pada [MUK02A]... E-1 E.2 Penelitian pada [MUK02B]... E-1 E.3 Penelitian pada [LAS04]... E-1 E.4 Penelitian pada [LAS05]... E-3 Lampiran F Alternatif Implementasi SVM Untuk pendeteksian Intrusi pada jaringan F-1 F.1 Anomaly Detection... F-1 F.2 Misuse Detection... F-1 Lampiran G Parameter Evaluasi Eksperimen... G-1 Lampiran H Skenario Eksperimen... H-1 H.1 Replikasi Hasil Eksperimen Paper Acuan... H-1 H.2 Skenario Perbandingan Implementasi SVM... H-5 Lampiran I Hasil Eksperimen... I-1 I.1 Eksperimen Pada Data [MUK02A]... I-1 I.2 Eksperimen Pada Data [MUK02B]... I-3 I.3 Eksperimen Pada Data [LAS04]... I-6 I.4 Eksperimen Pada Data [LAS05]... I-19 I.5 Perbandingan Alternatif Implementasi SVM... I-22 vii
8 I.6 Upaya Peningkatan Performansi Model Terbaik... I-30 Lampiran J Saran Untuk Menerapkan SVM Pada IDS... J-1 viii
9 DAFTAR GAMBAR Gambar II-1 Arsitektur IDS [HAN06]... II-2 Gambar II-2 Contoh packet... II-4 Gambar II-3 Contoh output TCPdump... II-4 Gambar II-4 Pemrosesan data koneksi jaringan dengan data mining [HAN06].. II-6 Gambar II-5 Alternatif bidang pemisah (kiri) dan bidang pemisah terbaik dengan margin (m) terbesar (kanan)... II-8 Gambar II-6 Soft margin hyperplane... II-11 Gambar II-7 Transformasi dari vektor input ke feature space... II-11 Gambar II-8 Contoh transformasi untuk data yang tidak dapat dipisahkan secara linier... II-12 Gambar II-9 Transformasi ke feature space... II-14 Gambar II-10 One Class SVM... II-15 Gambar III-1 Deskripsi Umum Sistem... III-1 Gambar III-2 Proses pembangunan dan penggunaan detection model oleh SVM Analyser... III-2 Gambar III-3 Pembelajaran dengan SVM... III-7 Gambar IV-1 Nilai F-measure hasil eksperimen pada dataset [MUK02A]... IV-5 Gambar IV-2 Nilai F-measure hasil eksperimen pada dataset [MUK02B]... IV-7 Gambar IV-3 Nilai F-measure pada data dengan rasio intrusi =nu... IV-9 Gambar IV-4 One Class SVM dengan nilai parameter g 0,1, 1,0 dan IV-9 Gambar IV-5 Nilai F-measure pada data dengan rasio intrusi bervariasi, nu = IV-10 Gambar IV-6 Nilai F-measure pada data nilai parameter nu bervariasi, rasio data intrusi= IV-11 Gambar IV-7 Nilai F-measure pada data yang tidak mengandung data intrusi jenis baru... IV-12 Gambar IV-8 Nilai F-measure pada data yang mengandung data intrusi jenis baru IV-13 Gambar IV-9 Hasil anomaly detection pada data pengujian yang tidak mengandung data intrusi jenis baru... IV-15 Gambar IV-10 Hasil anomaly detection pada data pengujian yang mengandung data intrusi jenis baru... IV-16 Gambar IV-11 Hasil anomaly detection pada data intrusi tidak seimbang, data pengujian tidak mengandung intrusi jenis baru... IV-16 Gambar IV-12 Hasil anomaly detection pada data intrusi tidak seimbang, data pengujian mengandung intrusi jenis baru... IV-17 Gambar IV-13 Hasil misuse detection pada data pengujian yang tidak mengandung data intrusi baru... IV-19 Gambar IV-14 Hasil misuse detection pada data pengujian yang mengandung data intrusi baru... IV-19 Gambar IV-15 Hasil misuse detection pada data pelatihan dengan data intrusi tidak seimbang... IV-21 Gambar IV-16 Hasil misuse detection pada data pengujian yang mengandung data intrusi baru... IV-22 ix
10 Gambar IV-17 Waktu pelatihan MD1 dan MD6 dengan jumlah data pelatihan bervariasi... IV-23 Gambar IV-18 Waktu pelatihan MD6 dengan jumlah data pelatihan dan jumlah atribut bervariasi... IV-25 Gambar IV-19 Waktu pelatihan MD1 dengan jumlah data pelatihan dan jumlah atribut bervariasi... IV-26 Gambar IV-20 Waktu pelatihan MD6 dengan incremental training pada jumlah data pelatihan dan jumlah atribut bervariasi... IV-27 Gambar IV-21 Waktu pelatihan MD1 dengan incremental training pada jumlah data pelatihan dan jumlah atribut bervariasi... IV-28 Gambar C-1 Contoh klasifikasi dengan metode One-against-all... C-1 Gambar C-2 Contoh klasifikasi dengan metode One-against-one... C-3 Gambar C-3 Contoh klasifikasi dengan metode DAGSVM... C-4 Gambar E-1 Hasil [LAS04] pada penggunaan parameter nu = rasio intrusi... E-2 Gambar E-2 Hasil [LAS04] pada penggunaan parameter nu=0.05 dan rasio intrusi bervariasi... E-2 Gambar E-3 Hasil [LAS04] pada penggunaan rasio intrusi 0.05 dan nu bervariasi... E-3 Gambar E-4 Hasil [LAS05] pada data pengujian yang tidak mengandung data intrusi jenis baru... E-4 Gambar E-5 Hasil [LAS05] pada pengujian yang mengandung jenis intrusi baru E-5 Gambar F-1 Klasifikasi dengan SVM Biner Multi Class SVM One Against One... F-4 Gambar F-2 Klasifikasi dengan SVM Biner Multi Class SVM One Against All... F-5 Gambar G-1 Kurva ROC... G-2 Gambar H-1 Komposisi data pengujian (kiri) dan data pelatihan (kanan)... H-1 Gambar I-1 Hasil skenario 1 dengan metode normalisasi data hasil analisis Tugas Akhir... I-6 Gambar I-2 Hasil skenario 1 dengan Metode Normalisasi Data seperti pada [LAS04]... I-6 Gambar I-3 Hasil skenario 1 dengan metode normalisasi data seperti pada [LAS05]... I-7 Gambar I-4 Hasil skenario 1 dengan metode normalisasi data hasil analisis Tugas Akhir... I-10 Gambar I-5 Hasil skenario 2 dengan metode normalisasi data [LAS04]... I-10 Gambar I-6 Hasil skenario 2 dengan metode normalisasi data [LAS05]... I-11 Gambar I-7 Hasil skenario 3 dengan menggunakan normalisasi data hasil analisis Tugas Akhir... I-14 Gambar I-8 Hasil skenario 3 dengan menggunakan normalisasi data [LAS04] I-14 Gambar I-9 Hasil skenario 3 dengan menggunakan metode normalisasi data [LAS05]... I-15 Gambar I-10 Hasil pengujian pada data pengujian yang tidak mengandung data intrusi jenis baru... I-19 Gambar I-11 Hasil pengujian pada data pengujian yang mengandung data intrusi jenis baru... I-20 x
11 DAFTAR TABEL Tabel IV-1 Alternatif implementasi SVM untuk pendeteksian intrusi... IV-2 Tabel IV-2 Hasil pencarian parameter pada dataset eksperimen [MUK02A]... IV-5 Tabel IV-3 Hasil eksperimen dengan dataset [MUK02]... IV-5 Tabel IV-4 Hasil pencarian parameter pada dataset eksperimen [MUK02B]... IV-6 Tabel IV-5 Hasil eksperimen dengan dataset [MUK02B]... IV-6 Tabel IV-6 Hasil pencarian parameter dengan grid search dengan nilai nu=rasio data intrusi... IV-8 Tabel IV-7 Hasil eksperimen pada data dengan rasio intrusi =nu... IV-8 Tabel IV-8 Hasil eksperimen pada data dengan rasio intrusi bervariasi, nu = IV-10 Tabel IV-9 Hasil eksperimen pada data dengan nilai parameter nu bervariasi, rasio data intrusi= IV-10 Tabel IV-10 Hasil pencarian parameter untuk dataset [LAS05]... IV-11 Tabel IV-11 Hasil pencarian parameter untuk dataset [LAS05]... IV-12 Tabel IV-12 Hasil pencarian parameter untuk dataset [LAS05]... IV-13 Tabel IV-13 Hasil anomaly detection pada data pengujian yang tidak mengandung data intrusi jenis baru... IV-14 Tabel IV-14 Hasil anomaly detection pada data pengujian yang mengandung data intrusi jenis baru... IV-15 Tabel IV-15 Hasil anomaly detection pada data intrusi tidak seimbang... IV-16 Tabel IV-16 Hasil anomaly detection pada data intrusi tidak seimbang, data pengujian mengandung intrusi jenis baru... IV-17 Tabel IV-17 Hasil misuse detection pada data pengujian yang tidak mengandung data intrusi baru... IV-18 Tabel IV-18 Hasil misuse detection pada data pengujian yang mengandung data intrusi baru... IV-20 Tabel IV-19 Hasil misuse detection pada data pelatihan dengan data intrusi tidak seimbang... IV-20 Tabel IV-20 Hasil misuse detection pada data pengujian yang mengandung data intrusi baru... IV-21 Tabel IV-21 Performansi MD6 dengan jumlah data pelatihan bervariasi... IV-22 Tabel IV-22 Performansi MD1dengan jumlah data pelatihan bervariasi... IV-23 Tabel IV-23 Performansi MD6 dengan jumlah atribut bervariasi... IV-25 Tabel IV-24 Performansi MD1 dengan jumlah atribut data bervariasi... IV-26 Tabel IV-25 Parameter incremental training... IV-26 Tabel IV-26 Perubahan jumlah data pelatihan MD6 dengan incremental training IV-26 Tabel IV-27 Performansi MD6 dengan incremental training dan feature selection IV-27 Tabel IV-28 Perubahan jumlah data pelatihan MD1 dengan incremental training IV-27 Tabel IV-29 Performansi MD1 dengan incremental training dan feature selection IV-28 Tabel A-1 Distribusi kelas intrusi... A-1 Tabel A-2 Distribusi data pada setiap jenis intrusi dan service... A-1 xi
12 Tabel A-3 Deskripsi atribut data KDDCUP A-2 Tabel C-1 Contoh 4 SVM biner dengan metode One-against-all... C-1 Tabel C-2 Contoh 6 SVM biner dengan metode One-against-one... C-2 Tabel C-3 Contoh 6 SVM biner dengan metode DAGSVM... C-3 Tabel E-1 Eksperimen [MUK02B]... E-1 Tabel F-1 5 SVM Biner untuk Multi Class SVM One-against-all... F-2 Tabel F-2 10 SVM Biner untuk Multi Class SVM One-against-one... F-3 Tabel F-3 SVM Biner Multi Class SVM One Against One... F-4 Tabel F-4 SVM Biner Multi Class SVM One Against All... F-5 Tabel G-1 Metrik standar untuk dasar evaluasi algoritma pendeteksian intrusi... G-1 Tabel H-1 Asumsi distribusi dataset untuk replikasi hasil [LAS04]... H-2 Tabel H-2 Asumsi distribusi dataset untuk replikasi hasil [LAS05] pada skenario data pengujian tidak mengandung data intrusi jenis baru... H-4 Tabel H-3 Asumsi distribusi dataset untuk replikasi hasil [LAS05] pada skenario dimana data pengujian mengandung data intrusi jenis baru... H-5 Tabel H-4 Distribusi dataset untuk perbandingan altenatif implementasi SVM... H-7 Tabel H-5 Distribusi data pengujian baru untuk perbandngan altenatif implementasi SVM... H-8 Tabel I-1 Hasil eksperimen tanpa normalisasi dengan parameter seperti pada Tabel I-2 [MUK02]... I-2 Hasil eksperimen tanpa normalisasi dan dengan parameter hasil grid search... I-2 Tabel I-3 Hasil eksperimen dengan normalisasi dan parameter hasil grid search I-2 Tabel I-4 t-test pada metode normalisasi+grid search dan tanpa normalisasi + grid search... I-2 Tabel I-5 Tabel I-6 Tabel I-7 t-test pada metode tanpa normalisasi+ grid search dan tanpa normalisasi + parameter [MUK02]... I-3 Hasil eksperimen tanpa normalisasi dengan parameter seperti pada [MUK02]... I-3 Hasil eksperimen tanpa normalisasi dan dengan parameter hasil grid search... I-4 Tabel I-8 Hasil eksperimen dengan normalisasi dan parameter hasil grid search I-4 Tabel I-9 t-test pada metode normalisasi+grid search dan tanpa normalisasi + grid search... I-5 Tabel I-10 t-test pada metode normalisasi+ grid search dan tanpa normalisasi + parameter [MUK02]... I-5 Tabel I-11 Hasil eksperimen pada skenario 1... I-8 Tabel I-12 t-test pada metode normalisasi hasil analisis Tugas Akhir dan metode normalisasi [LAS05]... I-9 Tabel I-13 6 t-test pada metode normalisasi hasil analisis Tugas Akhir dan metode normalisasi [LAS04]... I-9 Tabel I-14 Hasil eksperimen pada skenario 2... I-12 Tabel I-15 t-test pada metode normalisasi hasil analisis Tugas Akhir dan metode normalisasi [LAS05]... I-13 Tabel I-16 t-test pada metode normalisasi hasil analisis Tugas Akhir dan metode normalisasi [LAS04]... I-13 Tabel I-17 Hasil eksperimen pada skenario 3... I-16 Tabel I-18 t-test pada metode normalisasi hasil analisis Tugas Akhir dan metode normalisasi [LAS05]... I-17 xii
13 Tabel I-19 t-test pada metode normalisasi hasil analisis Tugas Akhir dan metode normalisasi [LAS04]... I-17 Tabel I-20 t-test pada metode normalisasi hasil analisis Tugas Akhir dan metode normalisasi [LAS05] dari ketiga skenario... I-18 Tabel I-21 t-test pada metode normalisasi hasil analisis Tugas Akhir dan metode normalisasi [LAS05]... I-19 Tabel I-22 t-test pada metode normalisasi hasil analisis Tugas Akhir dan metode normalisasi [LAS04]... I-20 Tabel I-23 t-test pada metode normalisasi hasil analisis Tugas Akhir dan metode normalisasi [LAS05]... I-21 Tabel I-24 t-test pada metode normalisasi hasil analisis Tugas Akhir dan metode normalisasi [LAS04]... I-21 Tabel I-25 t-test pada MD1 dan MD2 pada skenario i-a... I-22 Tabel I-26 t-test pada MD1 dan MD2 pada skenario i-b... I-22 Tabel I-27 t-test pada MD1 dan MD2 pada skenario ii-a... I-23 Tabel I-28 t-test pada MD1 dan MD2 pada skenario ii-b... I-23 Tabel I-29 t-test pada MD1 dan MD2 pada seluruh skenario... I-24 Tabel I-30 t-test pada MD6 dan MD7 pada skenario i-a... I-24 Tabel I-31 t-test pada MD6 dan MD5 pada skenario i-a... I-25 Tabel I-32 t-test pada MD7 dan MD5 pada skenario i-a... I-25 Tabel I-33 t-test pada MD4 dan MD5 pada skenario i-a... I-25 Tabel I-34 t-test pada MD6 dan MD7 i-b... I-26 Tabel I-35 t-test pada MD4 dan MD5 i-b... I-26 Tabel I-36 t-test pada MD6 dan MD5 i-b... I-26 Tabel I-37 t-test pada MD6 dan MD7 pada skenario ii-a... I-27 Tabel I-38 t-test pada MD5 dan MD4 pada skenario ii-a... I-27 Tabel I-39 t-test pada MD7 dan MD5 pada skenario ii-a... I-28 Tabel I-40 t-test pada MD6 dan MD7 pada skenario ii-b... I-28 Tabel I-41 t-test pada MD4 dan MD5 pada skenario ii-b... I-28 Tabel I-42 t-test pada MD6 dan MD5 pada skenario ii-a... I-29 Tabel I-43 t-test pada MD6 dan MD7 pada seluruh skenario... I-29 Tabel I-44 t-test pada MD4 dan MD5 pada seluruh skenario... I-29 Tabel I-45 t-test pada MD6 dan MD5 pada selutuh skenario... I-30 Tabel I-46 f-score pada aribut KDDCUP I-30 Tabel I-47 f-score pada atribut hasil preprocessing... I-31 Tabel I-48 Daftar atribut KDDCUP 99 dan atribut hasil preprocessing-nya... I-32 xiii
BAB IV EKSPERIMEN. 4.1 Tujuan
BAB IV EKSPERIMEN Pada bab ini dibahas mengenai eksperimen penggunaan SVM dalam pendeteksian intrusi pada jaringan. Pembahasan ini meliputi tujuan yang ingin dicapai melalui eksperimen ini, parameter evaluasi
Lebih terperinciBAB III ANALISIS DAN PENYELESAIAN MASALAH
BAB III ANALISIS DAN PENYELESAIAN MASALAH 3.1 Deskripsi Sistem Gambar III-1 Deskripsi Umum Sistem Pada gambar III-1 dapat dilihat deskripsi sistem sederhana yang mendeteksi intrusi pada jaringan menggunakan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Sistem jaringan komputer memiliki peran yang sangat penting dalam masyarakat modern karena memungkinkan informasi dapat diakses, disimpan dan dimanipulasi secara online.
Lebih terperinciPenerapan Support Vector Machine untuk Ekstraksi Informasi dari Dokumen Teks
Penerapan Support Vector Machine untuk Ekstraksi Informasi dari Dokumen Teks LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Paramita / 13504040 PROGRAM STUDI TEKNIK INFORMATIKA
Lebih terperinciSistem Pakar Diagnosis dan Terapi Penyakit Umum dengan Induct/MCRDR
Sistem Pakar Diagnosis dan Terapi Penyakit Umum dengan Induct/MCRDR LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Ray Aditya Iswara / 13504045 PROGRAM STUDI TEKNIK INFORMATIKA
Lebih terperinciPENERAPAN ALGORITMA K-MEANS UNTUK PENGELOMPOKAN DATA EKSPRESI GEN
PENERAPAN ALGORITMA K-MEANS UNTUK PENGELOMPOKAN DATA EKSPRESI GEN LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Aloysius Nugroho W / 13501042 PROGRAM STUDI TEKNIK INFORMATIKA
Lebih terperinciSistem Pakar untuk Memilih Buku Ilmu Syar i Berbahasa Indonesia
Sistem Pakar untuk Memilih Buku Ilmu Syar i Berbahasa Indonesia LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Aulia Fitrah / 13504058 PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH
Lebih terperinci2.Jenis Serangan Berikut Berikut ini daftar serangan yang terdapat dalam dataset:
Analisis Support vector machines pada Deteksi Misuse untuk Intrusion Detection System Faris Alfa Mauludy 1, Adiwijaya 2, GiaSeptiana 3 1 Prodi S1 Teknik Informatika, Telkom Informatics School, Universitas
Lebih terperinciPENERAPAN MODEL MESIN BELAJAR SUPPORT VECTOR MACHINES PADA AUTOMATIC SCORING UNTUK JAWABAN SINGKAT
PENERAPAN MODEL MESIN BELAJAR SUPPORT VECTOR MACHINES PADA AUTOMATIC SCORING UNTUK JAWABAN SINGKAT TUGAS AKHIR Diajukan Untuk Memenuhi Sebagian Prasyarat Mencapai Derajat Teknik Informatika Disusun Oleh
Lebih terperinciPengamanan Transmisi Hasil dan Data Query Basis Data dengan Algoritma Kriptografi RC4
Pengamanan Transmisi Hasil dan Data Query Basis Data dengan Algoritma Kriptografi RC4 LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana Oleh : Mohamad Firda Fauzan 13504127 PROGRAM STUDI
Lebih terperinciPENGUBAHAN SINGKATAN PADA PESAN SINGKAT TELEPON SELULER DENGAN MEMANFAATKAN POHON KEPUTUSAN C4.5
PENGUBAHAN SINGKATAN PADA PESAN SINGKAT TELEPON SELULER DENGAN MEMANFAATKAN POHON KEPUTUSAN C4.5 LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh: Rian Hadisaputra / 13503026 PROGRAM
Lebih terperinciSistem Penganalisis Data Laporan Keuangan dengan Metode Rasio pada Organisasi Nirlaba (Studi Kasus : ITB BHMN)
Sistem Penganalisis Data Laporan Keuangan dengan Metode Rasio pada Organisasi Nirlaba (Studi Kasus : ITB BHMN) LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Kharizt Attria
Lebih terperinciStudi Pembangunan Aplikasi Berbasis SOA. dengan SOAD dan SCA
Studi Pembangunan Aplikasi Berbasis SOA dengan SOAD dan SCA LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh: Yuandra Ismiraldi / 13505069 PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH
Lebih terperinciANALISIS INTRUSION DETECTION SYSTEM DI INTERNAL JARINGAN WAN MENGGUNAKAN DATA MINING: STUDI KASUS PADA ASTRIDO GROUP JAKARTA
Jurnal Teknik dan Ilmu Komputer ANALISIS INTRUSION DETECTION SYSTEM DI INTERNAL JARINGAN WAN MENGGUNAKAN DATA MINING: STUDI KASUS PADA ASTRIDO GROUP JAKARTA INTRUSION DETECTION SYSTEM ANALYSIS IN INTERNAL
Lebih terperinciABSTRAK. Kata Kunci : klasifikasi, musik digital, jenis musik, support vector machine, fitur ekstraksi, daftar putar musik digital
ABSTRAK Kemudahan dalam mendapatkan musik digital membuat orang-orang dapat memiliki banyaknya koleksi musik digital. Terkadang orang-orang menikmati musik dengan jenis musik tertentu berdasarkan kondisi
Lebih terperinciSocial Network Extraction dan Social Network Analysis dari Web
Social Network Extraction dan Social Network Analysis dari Web LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Maria Helena Iwo / 13503088 PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH
Lebih terperinciPEMBANGUNAN ADD-ON PADA MOZILLA THUNDERBIRD UNTUK ENKRIPSI SURAT ELEKTRONIK DENGAN CORRECTED BLOCK TINY ENCRYPTION ALGORITHM
PEMBANGUNAN ADD-ON PADA MOZILLA THUNDERBIRD UNTUK ENKRIPSI SURAT ELEKTRONIK DENGAN CORRECTED BLOCK TINY ENCRYPTION ALGORITHM LAPORAN TUGAS AKHIR oleh : Ricky Gilbert Fernando / 13505077 PROGRAM STUDI TEKNIK
Lebih terperinciMODEL SISTEM PENJADWALAN DEPENDENCY PADA BASIS DATA DEDUKTIF
MODEL SISTEM PENJADWALAN DEPENDENCY PADA BASIS DATA DEDUKTIF STUDI KASUS: SISTEM PENJADWALAN MATA KULIAH LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh Yosep Kurniawan NIM :
Lebih terperinciFaktor Kritis Kesuksesan dalam Penerapan Sistem Enterprise Resource Planning di Institusi Pendidikan Tinggi Indonesia
Faktor Kritis Kesuksesan dalam Penerapan Sistem Enterprise Resource Planning di Institusi Pendidikan Tinggi Indonesia Studi Kasus : Direktorat Keuangan Institut Teknologi Bandung LAPORAN TUGAS AKHIR oleh:
Lebih terperinciPEMBANGUNAN APLIKASI ANALISIS SAHAM MENGGUNAKAN METODE RATE OF CHANGE
PEMBANGUNAN APLIKASI ANALISIS SAHAM MENGGUNAKAN METODE RATE OF CHANGE LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh: Syahrul Anwar / 13503061 PROGRAM STUDI TEKNIK INFORMATIKA
Lebih terperinciOPTIMASI JARINGAN SARAF TIRUAN PADA OPTICAL CHARACTER RECOGNITION DENGAN MENGGUNAKAN IMAGE PREPROCESSING DAN ALGORITMA GENETIK
OPTIMASI JARINGAN SARAF TIRUAN PADA OPTICAL CHARACTER RECOGNITION DENGAN MENGGUNAKAN IMAGE PREPROCESSING DAN ALGORITMA GENETIK LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana Oleh:
Lebih terperinciDeteksi Otomatis Plagiarisme Source Code
Deteksi Otomatis Plagiarisme Source Code LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : CYNTHIA KUSTANTO / NIM. 13503066 PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH TEKNIK ELEKTRO
Lebih terperinciIMPLEMENTASI FAULT TOLERANT JDBC CONNECTOR PADA DBMS MYSQL UNTUK MENDUKUNG REPLIKASI DI MID TIER PADA ARSITEKTUR THREE TIER
IMPLEMENTASI FAULT TOLERANT JDBC CONNECTOR PADA DBMS MYSQL UNTUK MENDUKUNG REPLIKASI DI MID TIER PADA ARSITEKTUR THREE TIER LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh: Satria
Lebih terperinciPengamanan Situs dengan Enkripsi Head dan Body HTML Menggunakan Algoritma RC4
Pengamanan Situs dengan Enkripsi Head dan Body HTML Menggunakan Algoritma RC4 LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Yudi Haribowo 13504111 PROGRAM STUDI TEKNIK INFORMATIKA
Lebih terperinciPenerapan Teknik Bayesian Network dalam Pengembangan Prototipe Aplikasi Web Content Mining
Penerapan Teknik Bayesian Network dalam Pengembangan Prototipe Aplikasi Web Content Mining LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Miridhani Riani Ningrum / 13503023
Lebih terperinciJARINGAN SARAF TIRUAN UNTUK MENILAI ARANSEMEN MUSIK
JARINGAN SARAF TIRUAN UNTUK MENILAI ARANSEMEN MUSIK LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh: Ali Akbar / 13503095 PROGRAM STUDI INFORMATIKA SEKOLAH TEKNIK ELEKTRO DAN
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Meningkatnya perkembangan teknologi juga diikuti dengan berkembangnya penggunaan berbagai situs jejaring sosial. Salah satu jejaring sosial yang sangat marak digunakan
Lebih terperinciKLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM)
KLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Oleh : MEKAR SEKAR SARI NIM. 24010210120008 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciPemodelan Data pada Massively Multiplayer Online Role-Playing Game
Pemodelan Data pada Massively Multiplayer Online Role-Playing Game LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Simon Batara / 13503109 PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH
Lebih terperinciPREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)
PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) 1 Lestari Handayani, 2 Fitriandini Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif
Lebih terperinciPembelajaran Mesin untuk Mempelajari Pola Improvisasi Musik Jazz
Pembelajaran Mesin untuk Mempelajari Pola Improvisasi Musik Jazz LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Muhammad Ghifary / 13505023 PROGRAM STUDI TEKNIK INFORMATIKA
Lebih terperinciPembuatan Rencana Strategis. Pengimplementasian E-Government Sektor Layanan Publik. Berbasis Enterprise Architecture Planning
Pembuatan Rencana Strategis Pengimplementasian E-Government Sektor Layanan Publik Berbasis Enterprise Architecture Planning Studi Kasus: Pemerintah Kabupaten Kutai Barat LAPORAN TUGAS AKHIR Disusun sebagai
Lebih terperinciPenggunaan Hidden Markov Model untuk Kompresi Kalimat
Penggunaan Hidden Markov Model untuk Kompresi Kalimat TESIS Karya tulis sebagai salah satu syarat Untuk memperoleh gelar Magister dari Institut Teknologi Bandung Oleh YUDI WIBISONO NIM: 23505023 Program
Lebih terperinciPEMBANGUNAN APLIKASI ANALISIS PERGERAKAN HARGA SAHAM DENGAN METODE WILLIAMS PERCENT RANGE
PEMBANGUNAN APLIKASI ANALISIS PERGERAKAN HARGA SAHAM DENGAN METODE WILLIAMS PERCENT RANGE LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Agam Syauqi Lamaida / 13503056 PROGRAM
Lebih terperinciPENERAPAN AGGREGATION TREE UNTUK PENANGANAN FUNGSI AGREGASI PADA RELASI BITEMPORAL
PENERAPAN AGGREGATION TREE UNTUK PENANGANAN FUNGSI AGREGASI PADA RELASI BITEMPORAL LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Nurkholis Madjid / NIM 13503047 PROGRAM STUDI
Lebih terperinciPENGEMBANGAN CODE GENERATOR BERBASIS WEB UNTUK MEMBANGKITKAN KODE MODUL APLIKASI WEB
PENGEMBANGAN CODE GENERATOR BERBASIS WEB UNTUK MEMBANGKITKAN KODE MODUL APLIKASI WEB LAPORAN TUGAS AKHIR Disusun Sebagai Syarat Kelulusan Tingkat Sarjana oleh: Primanio / 13505027 PROGRAM STUDI TEKNIK
Lebih terperinciPengembangan Game Engine 2D pada XNA Framework
Pengembangan Game Engine 2D pada XNA Framework LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh: Shieny Aprilia / 13505089 PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH TEKNIK ELEKTRO
Lebih terperinciLAPORAN TUGAS AKHIR. Disusun oleh: Franky
LAPORAN TUGAS AKHIR Analisis Sentimen Menggunakan Metode Naive Bayes, Maximum Entropy, dan Support Vector Machine pada Dokumen Berbahasa Inggris dan Dokumen Berbahasa Indonesia Hasil Penerjemahan Otomatis
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam mencapai tujuan pembangunan ekonomi diperlukan peran serta lembaga keuangan untuk membiayai pembangunan tersebut. Lembaga keuangan memegang peranan penting dalam
Lebih terperinciANALISIS PERFORMANSI PERUSAHAAN SYARIAH DI BURSA EFEK INDONESIA (BEI) MENGGUNAKAN METODE DISCRIMINANT ANALYSIS DAN SUPPORT VECTOR MACHINE (SVM)
ANALISIS PERFORMANSI PERUSAHAAN SYARIAH DI BURSA EFEK INDONESIA (BEI) MENGGUNAKAN METODE DISCRIMINANT ANALYSIS DAN SUPPORT VECTOR MACHINE (SVM) NUR SYAFRIDA - 1308 100 065 Pembimbing : Muhammad Mashuri,
Lebih terperinciPENDETEKSIAN CITRA PALSU DENGAN MENGGUNAKAN WATERMARKS DAN SUPPORT VECTOR MACHINES. Daniel Hutabarat ( )
PENDETEKSIAN CITRA PALSU DENGAN MENGGUNAKAN WATERMARKS DAN SUPPORT VECTOR MACHINES Daniel Hutabarat ( 0522097 ) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl. Prof. Drg. Surya
Lebih terperinciANALISIS PERBANDINGAN IMPLEMENTASI KERNEL PADA LIBRARY LibSVM UNTUK KLASIFIKASI SENTIMEN MENGGUNAKAN WEKA
ANALISIS PERBANDINGAN IMPLEMENTASI KERNEL PADA LIBRARY LibSVM UNTUK KLASIFIKASI SENTIMEN MENGGUNAKAN WEKA Prawidya Destarianto 1, Wahyu Kurnia Dewanto 2, Hermawan Arief Putranto 3 1,2,3 Jurusan, Teknologi
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Persaingan dalam dunia bisnis, terlebih lagi bagi perusahaan besar, tidak lepas dari adanya proses jual beli saham. Saham secara umum merupakan surat berharga yang dapat
Lebih terperinci1. Pendahuluan 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Perkembangan teknologi sekarang ini semakin pesat. Kebutuhan akan informasi dan komunikasi bertambah. Telah ditemukan berbagai perangkat teknologi yang memudahkan manusia
Lebih terperinciPENERAPAN CASE-BASED REASONING DAN REINFORCEMENT LEARNING PADA JOB SHOP SCHEDULING DENGAN SISTEM MULTIAGENT
PENERAPAN CASE-BASED REASONING DAN REINFORCEMENT LEARNING PADA JOB SHOP SCHEDULING DENGAN SISTEM MULTIAGENT LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Nama : Yohanes /
Lebih terperinciBAB I PENDAHULUAN. Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali objek 3 dimensi. Sistem penglihatan manusia dapat membedakan berbagai macam objek 3 dimensi
Lebih terperinciPembangunan Sistem Pelacakan dan Penelusuran Memanfaatkan Global Positioning System Pada Platform Mobile Google Android
Pembangunan Sistem Pelacakan dan Penelusuran Memanfaatkan Global Positioning System Pada Platform Mobile Google Android LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh: Morenvino
Lebih terperinciPENGEMBANGAN DYNAMIC FOLKSONOMY STUDI KASUS : GANESHA DIGITAL LIBRARY 4.2
PENGEMBANGAN DYNAMIC FOLKSONOMY STUDI KASUS : GANESHA DIGITAL LIBRARY 4.2 LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana Oleh : Arif Suprabowo / 13503122 PROGRAM STUDI TEKNIK INFORMATIKA
Lebih terperinciPENGENALAN KUALITAS BUAH JERUK KINTAMANI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) KOMPETENSI KOMPUTASI SKRIPSI KOMANG SONIYA GUNAWAN
PENGENALAN KUALITAS BUAH JERUK KINTAMANI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) KOMPETENSI KOMPUTASI SKRIPSI KOMANG SONIYA GUNAWAN 1008605032 JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciKLASIFIKASI DOKUMEN BERITA BERBAHASA INDONESIA DI TWITTER
KLASIFIKASI DOKUMEN BERITA BERBAHASA INDONESIA DI TWITTER TUGAS AKHIR Disusun Oleh : HANUM MASAYU PURNAMASARI NIM : 09560281 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS MUHAMMADIYAH MALANG 2013
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Jenis kelainan pada tulang punggung manusia bermacam-macam, bergantung pada faktor umur, kebiasaan, dan kecelakaan/virusbakteri. Skoliosis adalah kelainan tulang belakang
Lebih terperinciPENGURAIAN BAHASA INDONESIA DENGAN MENGGUNAKAN PENGURAI COLLINS TESIS. ROSA ARIANI SUKAMTO NIM : (Program Magister Informatika)
PENGURAIAN BAHASA INDONESIA DENGAN MENGGUNAKAN PENGURAI COLLINS TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar Magister dari Institut Teknologi Bandung Oleh ROSA ARIANI SUKAMTO NIM
Lebih terperinciUNIVERSITAS BINA NUSANTARA
UNIVERSITAS BINA NUSANTARA Program Ganda Teknik Informatika - Matematika Skripsi Sarjana Program Ganda Semester Ganjil 2005/2006 SKRIPSI PROGRAM GANDA UNIVERSITAS BINA NUSANTARA Sintiche Mayang Suwandi
Lebih terperinciBAB I PENDAHULUAN. menghasilkan beberapa karya yang mempermudah urusan manusia. Dan salah
BAB I PENDAHULUAN 1.1. Latar Belakang Dengan perkembangan teknologi yang semakin pesat dan dengan banyaknya temuan-temuan terbaru hasil penelitian dari para pakar teknologi, menghasilkan beberapa karya
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Education data mining merupakan penelitian didasarkan data di dunia pendidikan untuk menggali dan memperoleh informasi tersembunyi dari data yang ada. Pemanfaatan education
Lebih terperinciStudi dan Implementasi Kriptografi Kunci-Publik untuk Otentikasi Perangkat dan Pengguna pada Komunikasi Bluetooth
Studi dan Implementasi Kriptografi Kunci-Publik untuk Otentikasi Perangkat dan Pengguna pada Komunikasi Bluetooth LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Made Harta
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Perkembangan multimedia saat ini sangat cepat. Dengan multimedia, pengguna dapat menyerap informasi dengan lebih mudah, sehingga pemilihan informasi yang tepat menjadi penting. Pemilihan informasi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi yang pesat mempermudah akses terhadap informasi tekstual yang sangat besar jumlahnya, baik yang terdapat pada Internet maupun pada koleksi dokumen
Lebih terperinciBab I Pendahuluan. 1.1 Latar Belakang
Bab I Pendahuluan 1.1 Latar Belakang Klasifikasi merupakan task dari data mining yang bertujuan untuk memberikan label kelas terhadap suatu data. Pemberian label kelas ini dilakukan oleh classifier. Suatu
Lebih terperinciKLASIFIKASI PENERIMA PROGRAM BERAS MISKIN (RASKIN) DI KABUPATEN WONOSOBO DENGAN METODE SUPPORT VECTOR MACHINE MENGGUNAKAN LibSVM SKRIPSI
KLASIFIKASI PENERIMA PROGRAM BERAS MISKIN (RASKIN) DI KABUPATEN WONOSOBO DENGAN METODE SUPPORT VECTOR MACHINE MENGGUNAKAN LibSVM SKRIPSI Oleh : YOGI SETIYO PAMUJI 24010211130053 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciSKRIPSI SEGMENTASI PEMBULUH DARAH PADA CITRA FUNDUS RETINA MATA DENGAN ALGORITMA FILTER GABOR. Oleh: NUR AHMAD FAUZAN
SKRIPSI SEGMENTASI PEMBULUH DARAH PADA CITRA FUNDUS RETINA MATA DENGAN ALGORITMA FILTER GABOR Oleh: NUR AHMAD FAUZAN 2011-51-084 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT UNTUK MEMPEROLEH GELAR SARJANA
Lebih terperinciSKRIPSI ANALISIS PERBANDINGAN DETEKSI TEPI PREWITT DAN ROBERTS PADA UANG KERTAS DAN MENGGUNAKAN KLASIFIKASI SUPPORT VECTOR MACHINE (SVM)
SKRIPSI ANALISIS PERBANDINGAN DETEKSI TEPI PREWITT DAN ROBERTS PADA UANG KERTAS DAN MENGGUNAKAN KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) Oleh : Ika Puji Rahayu 2010-51-038 SKRIPSI DIAJUKAN SEBAGAI SALAH
Lebih terperinciIMPLEMENTASI ALGORITMA RANDOM FORESTS UNTUK KLASIFIKASI SPAM PADA CITRA DAN TEXT INSTAGRAM TUGAS AKHIR
IMPLEMENTASI ALGORITMA RANDOM FORESTS UNTUK KLASIFIKASI SPAM PADA CITRA DAN TEXT INSTAGRAM TUGAS AKHIR RIZKY NOVRIYEDI PUTRA 1132001001 PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS
Lebih terperinciUKDW 1. BAB 1 PENDAHULUAN Latar Belakang Masalah
1. BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Universitas yang baik dan terpercaya selalu memperhatikan perkembangan dan kondisi yang terjadi di universitas tersebut, salah satunya dengan memantau kinerja
Lebih terperinciStrategi Implementasi Peningkatan Waktu Proses Algoritma PrefixSpan untuk Sequential Pattern Mining
Strategi Implementasi Peningkatan Waktu Proses Algoritma PrefixSpan untuk Sequential Pattern Mining LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Riza Ramadan / 13503037 PROGRAM
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
3.1 Persiapan Data BAB III ANALISA DAN PERANCANGAN SISTEM Dalam pengerjaan tugas akhir ini data yang digunakan adalah kalimat tanya Berbahasa Indonesia, dimana kalimat tanya tersebut diambil dari soal-soal
Lebih terperinciKLASIFIKASI LAMA STUDI MAHASISWA FSM UNIVERSITAS DIPONEGORO MENGGUNAKAN REGRESI LOGISTIK BINER DAN SUPPORT VECTOR MACHINE (SVM)
KLASIFIKASI LAMA STUDI MAHASISWA FSM UNIVERSITAS DIPONEGORO MENGGUNAKAN REGRESI LOGISTIK BINER DAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Oleh : SRI MAYA SARI DAMANIK 24010210120002 JURUSAN STATISTIKA
Lebih terperinciBAB II LANDASAN TEORI
2.1 Studi Literatur BAB II LANDASAN TEORI Penelitian yang berkaitan dengan klasifikasi kalimat tanya berdasarkan Taksonomi Bloom telah dilakukan oleh Selvia Ferdiana Kusuma dengan menggunakan algoritma
Lebih terperinciSeminar Nasional Inovasi Dan Aplikasi Teknologi Di Industri 2017 ISSN ITN Malang, 4 Pebruari 2017
PENGENALAN INDIVIDU BERDASARKAN SIDIK RUGAE PALATINA DENGAN MENGGUNAKAN METODE SINGULAR VALUE DECOMPOSITION SEBAGAI PENGOLAH EKSTRAKSI CIRI DAN SUPPORT VECTOR MACHINE SEBAGAI KLASIFIKATOR Shofi Annisa
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Program Ganda Teknik Informatika Matematika
UNIVERSITAS BINA NUSANTARA Program Ganda Teknik Informatika Matematika PERANCANGAN PROGRAM SIMULASI DETEKSI WAJAH DENGAN SUPPORT VECTOR MACHINES VIOLA JONES Andoko NIM: 0600653013 ABSTRAK Dengan tingkat
Lebih terperinciIMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISA SENTIMEN PADA KALIMAT OPINI BERBAHASA INDONESIA TUGAS AKHIR
IMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISA SENTIMEN PADA KALIMAT OPINI BERBAHASA INDONESIA TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas
Lebih terperinciPenerapan Algoritma Brute Force pada permainan Countdown Number
Penerapan Algoritma Brute Force pada permainan Countdown Number Farhan Amin (13515043) Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kemajuan teknologi internet membawa dampak positif untuk berbagai industri, perkembangan ini dapat membantu pertumbuhan industri, tetapi dengan transfer semua proses
Lebih terperinciAnalisis dan Perancangan Transformasi Wavelet. Untuk Jaringan Syaraf Tiruan pada. Pengenalan Sidik Jari
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap 2005 / 2006 Analisis dan Perancangan Transformasi Wavelet Untuk Jaringan Syaraf Tiruan pada Pengenalan Sidik
Lebih terperinciIDENTIFIKASI PLAT NOMOR MOBIL MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)
IDENTIFIKASI PLAT NOMOR MOBIL MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) Yudil Taufik Umar¹, Heroe Wijanto², Rita Magdalena³ ¹Teknik Telekomunikasi,, Universitas Telkom Abstrak Untuk kepentingan pengenalan
Lebih terperinciPemillihan IDS (Intrusion Detection System) sebagai Sistem Keamanan Jaringan Server di Politeknik Batam
Pemillihan IDS (Intrusion Detection System) sebagai Sistem Keamanan Jaringan Server di Politeknik Batam TUGAS AKHIR Oleh : Heru Suparsin 3310801036 Mariaty H 3310801125 Disusun untuk memenuhi syarat kelulusan
Lebih terperinciDokumen Kurikulum Program Studi : Teknik Informatika. Lampiran III
Dokumen Kurikulum 2013-2018 Program Studi : Teknik Informatika Lampiran III Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung Bidang Akademik dan Kemahasiswaan Institut Teknologi Bandung
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Musim hujan merupakan musim yang mutlak ada di sebagian belahan benua dunia. Dan curah hujan pasti memiliki
BAB I PENDAHULUAN 1.1 Latar Belakang Musim hujan merupakan musim yang mutlak ada di sebagian belahan benua dunia. Dan curah hujan pasti memiliki intensitas yang berbeda. Faktor penyebabnya dapat terjadi
Lebih terperinciANALISIS SENTIMEN DATA KRITIK DAN SARAN PELATIHAN APLIKASI TEKNOLOGI INFORMASI (PATI) MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE
ANALISIS SENTIMEN DATA KRITIK DAN SARAN PELATIHAN APLIKASI TEKNOLOGI INFORMASI (PATI) MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE LAPORAN TUGAS AKHIR Diajukan untuk Memenuhi Persyaratan Guna Meraih Gelar
Lebih terperinciImplementasi Algoritma RC6 Untuk Enkripsi SMS Pada Telepon Selular
Implementasi Algoritma RC6 Untuk Enkripsi SMS Pada Telepon Selular LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Rangga Wisnu Adi Permana / 135 04 036 PROGRAM STUDI TEKNIK
Lebih terperinciStudi dan Implementasi Algoritma Optimasi Pemotongan Bar Steel
Studi dan Implementasi Algoritma Optimasi Pemotongan Bar Steel LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Odit Ekwardo / 135 04 079 PROGRAM STUDI INFORMATIKA SEKOLAH TEKNIK
Lebih terperinciKAJIAN ALTERNATIF USULAN KESEIMBANGAN LINTASAN PRODUKSI CV GARUDA PLASTIK DENGAN MENGGUNAKAN SIMULASI
TUGAS AKHIR KAJIAN ALTERNATIF USULAN KESEIMBANGAN LINTASAN PRODUKSI CV GARUDA PLASTIK DENGAN MENGGUNAKAN SIMULASI Ditulis untuk memenuhi sebagian persyaratam akademik guna memperoleh gelar Sarjana Teknik
Lebih terperinciPENGENALAN POLA MARGINS TULISAN TANGAN UNTUK MENGIDENTIFIKASI KARAKTER SESEORANG MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM)
PENGENALAN POLA MARGINS TULISAN TANGAN UNTUK MENGIDENTIFIKASI KARAKTER SESEORANG MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) Adiatandy Geovani (0722091 ) Jurusan Teknik Elektro email: adiatandy.mail@gmail.com
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciPenghitungan k-nn pada Adaptive Synthetic-Nominal (ADASYN-N) dan Adaptive Synthetic-kNN (ADASYN-kNN) untuk Data Nominal- Multi Kategori
Penghitungan k-nn pada Adaptive Synthetic-Nominal (ADASYN-N) dan Adaptive Synthetic-kNN (ADASYN-kNN) untuk Data Nominal- Multi Kategori Abstrak 1 Sri Rahayu, 2 Teguh Bharata Adji & 3 Noor Akhmad Setiawan
Lebih terperinciPENGEMBANGAN API UNTUK MENDUKUNG FAULT TOLERANT JDBC CONNECTOR PADA DBMS MYSQL
PENGEMBANGAN API UNTUK MENDUKUNG FAULT TOLERANT JDBC CONNECTOR PADA DBMS MYSQL LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh: Tania Krisanty / 13504101 PROGRAM STUDI TEKNIK
Lebih terperinciUNIVERSITAS BINA NUSANTARA Program Ganda. Teknik Informatika - Matematika Skripsi Sarjana Program Ganda Semester Ganjil 2006/2007
UNIVERSITAS BINA NUSANTARA Program Ganda Teknik Informatika - Matematika Skripsi Sarjana Program Ganda Semester Ganjil 2006/2007 PERANCANGAN PROGRAM APLIKASI SISTEM VERIFIKASI TANDA TANGAN ONLINE DENGAN
Lebih terperinciSVM untuk Regresi. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciSISTEM IDENTIFIKASI DAN DIAGNOSIS GANGGUAN PADA FAN INDUSTRI BERBASIS KECERDASAN BUATAN
REKAYASA (TEKNIK PROSES) LAPORAN AKHIR HIBAH BERSAING SISTEM IDENTIFIKASI DAN DIAGNOSIS GANGGUAN PADA FAN INDUSTRI BERBASIS KECERDASAN BUATAN Tahun ke-2 dari rencana 2 tahun Dr. Ir. Dian Retno Sawitri,
Lebih terperinciPENGGUNAAN TEMPORAL DATA MINING PADA DATA ELECTROENCEPHALOGRAPHY (EEG) UNTUK KLASIFIKASI PENYAKIT EPILEPSI DENGAN BACKPROPAGATION
PENGGUNAAN TEMPORAL DATA MINING PADA DATA ELECTROENCEPHALOGRAPHY (EEG) UNTUK KLASIFIKASI PENYAKIT EPILEPSI DENGAN BACKPROPAGATION TUGAS AKHIR Diajukan untuk Memenuhi Sebagian Persyaratan Mencapai Derajat
Lebih terperinciSTUDI DAN IMPLEMENTASI PENGUKURAN FLUKTUASI NILAI SAHAM DENGAN METODE FORCE INDEX
STUDI DAN IMPLEMENTASI PENGUKURAN FLUKTUASI NILAI SAHAM DENGAN METODE FORCE INDEX LAPORAN TUGAS AKHIR oleh : Christopher Kurniawan NIM 13504117 PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH TEKNIK ELEKTRO DAN
Lebih terperinciKLASIFIKASI CITRA FORMULIR MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) PADA PROSES DIGITALISASI FORMULIR
KLASIFIKASI CITRA FORMULIR MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) PADA PROSES DIGITALISASI FORMULIR Dewi Pramudi Ismi 1), Ardiansyah 2) 1 Program Studi Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciDETEKSI OBYEK PEJALAN KAKI DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE SKRIPSI
DETEKSI OBYEK PEJALAN KAKI DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE SKRIPSI Diajukan Oleh : FIRMAN ISNANDI S. NPM. 0634010273 JURUSAN TEKNIK INFORMATIKA FAKULTAS
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pengembangan teknologi diharapkan menghasilkan berbagai hal yang berguna untuk memenuhi kebutuhan masyarakat serta memberi kemudahan dan kenyamanan pada pengguna
Lebih terperinciTUGAS AKHIR Diajukan untuk Memenuhi Sebagian Persyaratan Mencapai Derjat Sarjana Teknik Informatika
ANALISIS ALGORITMA K-NEAREST NEIGHBOR PADA PENDETEKSI EMOSI MELALUI PUPIL MATA TUGAS AKHIR Diajukan untuk Memenuhi Sebagian Persyaratan Mencapai Derjat Sarjana Teknik Informatika Disusun Oleh : Fransiscus
Lebih terperinciKAJIAN KINERJA LALU LINTAS SIMPANG CILEUNYI TANPA DAN DENGAN FLYOVER
KAJIAN KINERJA LALU LINTAS SIMPANG CILEUNYI TANPA DAN DENGAN FLYOVER TUGAS AKHIR SEBAGAI SALAH SATU SYARAT UNTUK MENYELESAIKAN PENDIDIKAN SARJANA TEKNIK DI PROGRAM STUDI TEKNIK SIPIL oleh DUTO NUSWANTOKO
Lebih terperinci1. Pendahuluan 1.1 Latar belakang 1.2 Perumusan masalah
1. Pendahuluan 1.1 Latar belakang Informasi telah menjadi kebutuhan primer pada kehidupan saat ini. Informasi seakan-akan menjadi mata uang baru yang membuat akurasi menjadi sangat penting ketika mencari
Lebih terperinciPEMBANGUNAN APLIKASI MOBILE GAME TEBAK KATA BERBASIS LOKASI TUGAS AKHIR
PEMBANGUNAN APLIKASI MOBILE GAME TEBAK KATA BERBASIS LOKASI TUGAS AKHIR Diajukan untuk Memenuhi Sebagian Persyaratan Mencapai Derajat Sarjana Teknik Informatika Oleh Noviariansya 09 07 05784 PROGRAM STUDI
Lebih terperinciPEMBANGUNAN SISTEM PENDUKUNG KEPUTUSAN USAHA DIGITAL PRINTING MENGGUNAKAN BAYESIAN NETWORK
PEMBANGUNAN SISTEM PENDUKUNG KEPUTUSAN USAHA DIGITAL PRINTING MENGGUNAKAN BAYESIAN NETWORK TUGAS AKHIR Diajukan untuk Memenuhi Sebagian Persyaratan Mencapai derajat Sarjana Teknik Informatika Oleh: Setia
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Salah satu tanggung jawab sosial PT. Telkom dalam program kemitraan dengan masyarakat sekitarnya adalah memberikan kredit lunak bagi pelaku Usaha Kecil Menengah (UKM).
Lebih terperinci