Hasil Pencarian: "Deep Learning" (Semua Bidang (Umum))
Penelusuran metadata karya ilmiah dan dokumen institusi Universitas Bina Insani.
Filter Otomatis
ResetHasil Pencarian: "Deep Learning" (Semua Bidang (Umum))
Menampilkan 2 karya ilmiah repository terverifikasi (Skripsi & Artikel Jurnal OJS)
| Detail Karya Ilmiah & Metadata | Tipe & Program Studi | Aksi Metadata |
|---|---|---|
Pengembangan Intrusion Detection System (IDS) Berbasis Deep Learning CNN-LSTM Untuk Klasifikasi Serangan DDoS
Penulis: Achmad Sholehudin, JAFAR SHADIQ, S.Kom., M.Kom. |
2026
Server Open Journal Systems (OJS) Universitas Bina Insani merupakan infrastruktur kritis yang rentan terhadap serangan Distributed Denial of Service (DDoS). Proses pemantauan yang selama ini dilakukan secara manual menggunakan Wireshark terbukti bersifat lambat dan reaktif, serta tidak mampu menganalisis lalu lintas pada protokol terenkripsi (HTTPS) karena bergantung pada inspeksi isi paket (payload). Penelitian ini bertujuan mengembangkan Intrusion Detection System (IDS) berbasis Deep Learning yang mampu mengklasifikasikan serangan DDoS secara otomatis dan real-time tanpa bergantung pada proses dekripsi muatan paket. Sistem dibangun menggunakan arsitektur Hybrid Deep Learning yang menggabungkan lapisan Convolutional Neural Network (CNN) untuk ekstraksi fitur spasial dan Long Short-Term Memory (LSTM) untuk analisis ketergantungan temporal antar-paket jaringan. Pengembangan sistem mengadopsi kerangka kerja Knowledge Discovery in Databases (KDD) dengan memanfaatkan kombinasi dataset standar global CICDDoS2019 dan data simulasi lalu lintas jaringan dari virtual testbed lokal. Evaluasi kuantitatif model menggunakan Confusion Matrix terhadap 141.054 sampel aliran data menghasilkan akurasi global sebesar 87% dengan presisi kelas Normal mencapai 0,99. Pengujian fungsional secara real-time pada seluruh skenario (TCP SYN Flood, HTTP Flood, dan HTTPS) menunjukkan tingkat keyakinan prediksi sebesar 100%. Pengujian latensi inferensi pada server OJS membuktikan sistem beroperasi dengan rata-rata waktu respons 57,91 milidetik dan nilai Persentil ke-99 sebesar 114,22 milidetik, jauh di bawah ambang batas kritis 500 milidetik. Hasil penelitian membuktikan bahwa IDS berbasis CNN-LSTM yang menganalisis Network Flow mampu mengklasifikasikan serangan DDoS pada protokol terenkripsi secara akurat melalui sidik jari temporal Inter-Arrival Time (IAT), tanpa memerlukan dekripsi paket, serta layak dioperasikan pada lingkungan server produksi secara real-time.
#CNN-LSTM
#DDoS
#Deep Learning
#Intrusion Detection System
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
NAMED ENTITY RECOGNITION BERBASIS FINE-TUNING INDOBERT UNTUK EKSTRAKSI DAN REKONSILIASI DATA LOGISTIK
Penulis: Alif Haikal, JAFAR SHADIQ, S.Kom., M.Kom. |
2026
PT. Rafay Anugrah Logistik mengandalkan WhatsApp untuk koordinasi pesanan armada harian, namun proses pemindahan pesanan multi-unit ke Excel serta pencocokan pesan susulan dengan pesanan induknya masih dilakukan secara manual, sehingga rawan penumpukan pekerjaan dan kesalahan seiring meningkatnya volume pesanan. Penelitian ini mengusulkan pipeline Deep Learning hibrida menggunakan dua model fine-tuning IndoBERT untuk mengotomasi kedua proses tersebut. Model pertama, berbasis Indobert-Base-Uncased, menerapkan Named Entity Recognition (NER) untuk mengekstraksi sembilan atribut inti pesanan dari teks WhatsApp mentah menggunakan skema anotasi BIO. Model kedua, berbasis IndoBERT-Base-p2, menerapkan Sequence-Pair Classification untuk menentukan apakah pesan susulan cocok dengan pesanan induk yang telah tersimpan, didukung mekanisme rulebased post-processing untuk standarisasi output. Sistem dikembangkan menggunakan metodologi CRISP-DM dan diimplementasikan sebagai purwarupa web berbasis Streamlit. Pada data uji sebanyak 36 pesan yang disusun manual, model NER mencapai F1-Score ratarata makro sebesar 99,4%, sedangkan model Sequence-Pair Classification mencapai F1-Score makro sebesar 97,2% (91,46% pada data validasi). Hasil ini menunjukkan bahwa pendekatan fine-tuning IndoBERT layak diterapkan untuk mengotomasi ekstraksi dan rekonsiliasi data pesanan logistik, meskipun temuan ini masih merupakan bukti kelayakan awal (proof of concept), bukan validasi pada skala operasional penuh.
#Ekstraksi Data Logistik
#Fine-tuning
#IndoBERT
#Named Entity Recognition
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|