Ringkasan dokumen tersebut adalah:
1. Penelitian ini menggunakan algoritma jaringan syaraf tiruan (ANN) untuk mengklasifikasi paket jaringan berdasarkan empat variabel input dan lima label output.
2. Proses optimasi model ANN dilakukan dengan mengubah berbagai parameter seperti jumlah neuron pada setiap layer, metode aktivasi, dan metode optimasi untuk mendapatkan model yang paling akurat.
3. Hasil penelitian menunjuk
Analisis Malware Botnet Proteus Pendekatan Static dan Dinamic Igun
Botnet Proteus dianggap sebagai salah satu botnet yang mengerikan dampaknya terhadap dunia internet di kisaran tahun 2017, botnet ini mulai dideteksi akhir tahun 2016 dan terus menyebar setelahnya. Proteus adalah botnet yang sample virusnya sulit didapatkan sehingga
sangat sedikit penelitian yang membahasnya. Dalam penelitian ini digunakan pendekatan static dan dinamis untuk proses analisis terhadap botnet, pendekatan static dilakukan dengan analisis file virus secara langsung, sedangkan pada pendekatan dynamic, analisa dilakukan
melalui jaringan terhadap paket-paket. Hasil analisis menunjukkan bahwa botnet ini menggunakan fitur-fitur Obfuscated, Cryptology, berbasis .Net, memiliki Command & Center, memodifikasi registry, memodifikasi file sistem windows, hanya aktif jika terdapat koneksi
internet, tidak melakukan perusakan terhadap file-file yang ada. Kesimpulan akhir dari analisis tersebut menunjukkan bahwa botnet proteus
dapat di kategorikan sebagai malware yang lebih bersifat sebagai malware pencuri data serta malware pembuat dan pengontrol zombie komputer.
RANCANG BANGUN APLIKASI PENANGANAN BAGASI BERBASIS MOBILE WEB PADA PT SRIWIJ...Igun
PT. Sriwijaya Air merupakan salah satu maskapai yang telah menerapkan sistem informasi
dalam beberapa aktifitasnya, namun untuk sistem penanganan bagasi masih bersifat manual,
sehingga pada saat pendataan penumpang yang kehilangan bagasi ataupun rusak masih
menggunakan form pir yang dibuat dengan tulis tangan, dan kapanpun bisa rusak ataupun
hilang. Untuk itu dirancang sebuah aplikasi penanganan bagasi yang mampu merubah dari
manual menjadi komputerisasi, dan mampu menghindarkan dari kehilangan data. Aplikasi ini
dibuat menggunakan bahasa pemrograman Php, Dreamweaver, Notepad++ dan file-file
database dirancang dengan menggunakan MySQL AppServ. Penilitian ini dilakukan di PT.
Sriwijaya Air Batam pada divisi Lost and Found. Hasil dari penilitian ini diharapkan mampu
diterapkan pada perusahaan dalam pendataan penumpang ataupun bagasi dan dalam penentuan
keputusan yang bersalah sudah secara efisien dan tidak adanya kekeliruan dalam penilaian
RANCANG BANGUN E-COMMERCE UNTUK MEMPERLUAS PASAR PRODUK PERLENGKAPAN DAN SER...Igun
E-Commercemenyediakan kemampuan untuk membeli dan menjual barang ataupun
informasi melalui internet. Melihat dari keberhasilan perusahaan yang telah terlebih dahulu
memanfaatkan E-Commerce sebagai media pemasaran dan penjualan, maka dapat dijadikan
referensi untuk meningkatkan penjualan pada UD Sumber Rejeki yang masih menggunakan
sistem konvensional. Penelitian ini merancang dan mengimplementasi suatu aplikasi berbasis
E-Commerceyang dapat menyajikan informasi dan transaksi mengenai produk perlengkapan
serta seragam security. Analisa dilakukan dengan metode analisis SWOT yaitu menentukan
kekuatan dan kelemahan internal perusahaan, serta peluang dan ancaman lingkungan
eksternalnya. Rancangan sistem ini dibangun menggunakan CMS (Content Management
System) dan database MySQL. Hasil dari penelitian ini yaitu sistem yang dapat
meningkatkan penjualan, serta memenuhi kebutuhan seragam dan perlengkapan security
didalam maupun luar Kota Batam.
PENGEMBANGAN DASHBOARD STT IBNU SINA BATAM BERBASIS WEB MOBILEIgun
Dokumen tersebut merangkum pengembangan dashboard STT Ibnu Sina Batam berbasis web mobile. Dashboard dirancang untuk memudahkan akses informasi penting bagi civitas akademika seperti jadwal kuliah, informasi dosen, dan lainnya secara real time melalui berbagai perangkat. Metode pengembangan menggunakan Object Oriented Analysis and Design dengan modeling UML untuk kebutuhan, analisis, desain, implementasi, pengujian, dan deployment sistem informasi.
I-Polink : Indonesian Police Link Model Knowledge Management Investigasi Fo...Igun
Sangat luasnya kebutuhan pengetahuan dibidang
forensika digital serta terbatasnya waktu investigasi dan disertai fakta tentang pertumbuhan alat-alat digital yang sangat cepat
menyebabkan perlunya dibuat alat bantu untuk pengelolaan aset pengetahuan pada Labfor POLRI. Penelitian ini mengusulkan
pengembangan model Knowledge Management yang diadopsi ke dalam forensika digital yang diberi nama Indonesian Police Link (I-Polink), usulan model ini diharapkan dapat digunakan sebagai acuan model untuk membangun solusi Knowledge Management pada Laboratorium Digital Forensik POLRI
Perkembangan teknologi internet memberikan pemanfaatan lain yaitu Internet of Things (IoT). IoT melakukan komunikasi antara hardware embedded system dengan perangkat - perangkat elektronik atau mesin-mesin, sehingga dapat bertukar data atau melakukan aksi tertentu yang dikendalikan dari jarak jauh. Salah satu pengembangan dari IoT adalah door lock, door lock digunakan untuk memerikan solusi dalam penguncian konvensional yang jika meminjamkan kunci sangat rentan terhadap tindakan duplikasi, tidak dapat diketahui secara cepat jika pintu yang dibuka dengan paksa dan pintu sering ditinggalkan dalam keadaan tidak terkunci, batasan dalam penelitian ini pengguna harus memiliki koneksi internet dalam smart phone, pin 6 digit digunakan sebagai key.
Analisis Malware Botnet Proteus Pendekatan Static dan Dinamic Igun
Botnet Proteus dianggap sebagai salah satu botnet yang mengerikan dampaknya terhadap dunia internet di kisaran tahun 2017, botnet ini mulai dideteksi akhir tahun 2016 dan terus menyebar setelahnya. Proteus adalah botnet yang sample virusnya sulit didapatkan sehingga
sangat sedikit penelitian yang membahasnya. Dalam penelitian ini digunakan pendekatan static dan dinamis untuk proses analisis terhadap botnet, pendekatan static dilakukan dengan analisis file virus secara langsung, sedangkan pada pendekatan dynamic, analisa dilakukan
melalui jaringan terhadap paket-paket. Hasil analisis menunjukkan bahwa botnet ini menggunakan fitur-fitur Obfuscated, Cryptology, berbasis .Net, memiliki Command & Center, memodifikasi registry, memodifikasi file sistem windows, hanya aktif jika terdapat koneksi
internet, tidak melakukan perusakan terhadap file-file yang ada. Kesimpulan akhir dari analisis tersebut menunjukkan bahwa botnet proteus
dapat di kategorikan sebagai malware yang lebih bersifat sebagai malware pencuri data serta malware pembuat dan pengontrol zombie komputer.
RANCANG BANGUN APLIKASI PENANGANAN BAGASI BERBASIS MOBILE WEB PADA PT SRIWIJ...Igun
PT. Sriwijaya Air merupakan salah satu maskapai yang telah menerapkan sistem informasi
dalam beberapa aktifitasnya, namun untuk sistem penanganan bagasi masih bersifat manual,
sehingga pada saat pendataan penumpang yang kehilangan bagasi ataupun rusak masih
menggunakan form pir yang dibuat dengan tulis tangan, dan kapanpun bisa rusak ataupun
hilang. Untuk itu dirancang sebuah aplikasi penanganan bagasi yang mampu merubah dari
manual menjadi komputerisasi, dan mampu menghindarkan dari kehilangan data. Aplikasi ini
dibuat menggunakan bahasa pemrograman Php, Dreamweaver, Notepad++ dan file-file
database dirancang dengan menggunakan MySQL AppServ. Penilitian ini dilakukan di PT.
Sriwijaya Air Batam pada divisi Lost and Found. Hasil dari penilitian ini diharapkan mampu
diterapkan pada perusahaan dalam pendataan penumpang ataupun bagasi dan dalam penentuan
keputusan yang bersalah sudah secara efisien dan tidak adanya kekeliruan dalam penilaian
RANCANG BANGUN E-COMMERCE UNTUK MEMPERLUAS PASAR PRODUK PERLENGKAPAN DAN SER...Igun
E-Commercemenyediakan kemampuan untuk membeli dan menjual barang ataupun
informasi melalui internet. Melihat dari keberhasilan perusahaan yang telah terlebih dahulu
memanfaatkan E-Commerce sebagai media pemasaran dan penjualan, maka dapat dijadikan
referensi untuk meningkatkan penjualan pada UD Sumber Rejeki yang masih menggunakan
sistem konvensional. Penelitian ini merancang dan mengimplementasi suatu aplikasi berbasis
E-Commerceyang dapat menyajikan informasi dan transaksi mengenai produk perlengkapan
serta seragam security. Analisa dilakukan dengan metode analisis SWOT yaitu menentukan
kekuatan dan kelemahan internal perusahaan, serta peluang dan ancaman lingkungan
eksternalnya. Rancangan sistem ini dibangun menggunakan CMS (Content Management
System) dan database MySQL. Hasil dari penelitian ini yaitu sistem yang dapat
meningkatkan penjualan, serta memenuhi kebutuhan seragam dan perlengkapan security
didalam maupun luar Kota Batam.
PENGEMBANGAN DASHBOARD STT IBNU SINA BATAM BERBASIS WEB MOBILEIgun
Dokumen tersebut merangkum pengembangan dashboard STT Ibnu Sina Batam berbasis web mobile. Dashboard dirancang untuk memudahkan akses informasi penting bagi civitas akademika seperti jadwal kuliah, informasi dosen, dan lainnya secara real time melalui berbagai perangkat. Metode pengembangan menggunakan Object Oriented Analysis and Design dengan modeling UML untuk kebutuhan, analisis, desain, implementasi, pengujian, dan deployment sistem informasi.
I-Polink : Indonesian Police Link Model Knowledge Management Investigasi Fo...Igun
Sangat luasnya kebutuhan pengetahuan dibidang
forensika digital serta terbatasnya waktu investigasi dan disertai fakta tentang pertumbuhan alat-alat digital yang sangat cepat
menyebabkan perlunya dibuat alat bantu untuk pengelolaan aset pengetahuan pada Labfor POLRI. Penelitian ini mengusulkan
pengembangan model Knowledge Management yang diadopsi ke dalam forensika digital yang diberi nama Indonesian Police Link (I-Polink), usulan model ini diharapkan dapat digunakan sebagai acuan model untuk membangun solusi Knowledge Management pada Laboratorium Digital Forensik POLRI
Perkembangan teknologi internet memberikan pemanfaatan lain yaitu Internet of Things (IoT). IoT melakukan komunikasi antara hardware embedded system dengan perangkat - perangkat elektronik atau mesin-mesin, sehingga dapat bertukar data atau melakukan aksi tertentu yang dikendalikan dari jarak jauh. Salah satu pengembangan dari IoT adalah door lock, door lock digunakan untuk memerikan solusi dalam penguncian konvensional yang jika meminjamkan kunci sangat rentan terhadap tindakan duplikasi, tidak dapat diketahui secara cepat jika pintu yang dibuka dengan paksa dan pintu sering ditinggalkan dalam keadaan tidak terkunci, batasan dalam penelitian ini pengguna harus memiliki koneksi internet dalam smart phone, pin 6 digit digunakan sebagai key.
Sipi, lauhul machfuzh,prof. hapzi ali,jenis jenis penyerangan dan penyalahgun...Lauhul Machfuzh
Dokumen tersebut merupakan tugas akhir mahasiswa yang menganalisis jenis penyerangan dan penyalahgunaan sistem informasi pada perusahaan PT Secret Recipe Indonesia. Tujuan penelitian ini adalah untuk mengevaluasi ancaman terhadap keamanan sistem informasi perusahaan tersebut serta mengidentifikasi jenis penyerangan yang paling umum."
SISTEM PENUNJANG KEPUTUSAN PEMILIHAN SEKOLAH MENENGAH KEJURUAN TEKNIK KOMPUTE...faisalpiliang1
Dokumen tersebut membahas penelitian tentang sistem pendukung keputusan untuk membantu siswa SMP dalam memilih SMK TKJ favorit dengan menggunakan metode Analytical Hierarchy Process (AHP). Penelitian ini menghasilkan pilihan SMK TKJ 2 sebagai pilihan favorit 44,8% siswa, diikuti SMK TKJ 1 sebesar 29,3%, dan SMK TKJ 3 sebesar 25,9%.
Sim,ridho setiadi,hapzi ali,sumber daya komputasi dan komunikasi,universitas ...ridhosetiadi69
Dokumen tersebut membahas langkah-langkah analisis sistem yang meliputi identifikasi masalah, memahami sistem yang ada, menganalisis sistem, dan membuat laporan. Juga dibahas metode alternatif pengembangan sistem seperti paket, prototipe, end user computing, dan outsourcing beserta kelebihan dan kekurangannya.
Sim 5 - ellya yasmien, prof. dr. ir. hapzi ali mm. cma., sumber daya komputas...Ellya Yasmien
Sim 5 - ellya yasmien, prof. dr. ir. hapzi ali mm. cma., sumber daya komputasi dan komunikasi, universitas mercu buana, 2017
"menganalisa system informasi serta menentukan alternative pengembangan system infomasi, sumber daya komputasi dan komunikasi, pemberdayaan data secara elektronik lebih baik dari pada manual, dan alasan software pesanan melalui konsuktan IT (outsourcing) lebih mahal dari software jadi yang ada di pasaran software aplikasi"
SISTEM INFORMASI AKADEMIK (SIA) SEKOLAH MENENGAH
KEJURUAN (SMK) CENDANA PADANG PANJANG DENGAN
MENGGUNAKAN BAHASA PEMROGRAMAN YANG BERBASISKAN
OBJECT ORIENTED PROGRAMMING (OOP)
Proposal penilitianPROPOSAL PENILITIAN Aplikasi Pengolahan Data Nilai Siswa M...Amalia Fasykhatussiam
Perkembangan teknologi informasi memiliki kemajuan yang sangat pesat baik didunia pendidikan. Sehingga penerapannnya menjadi dominan hampir semua kegiatan dilakukan dengan melibatkan teknologi informasi.
Saat ini informasi yang disampaikan terkadang masih bersifat manual, artinya penyediaan informasi yang disampaikan masih melibatkan manusia sebagai penyampaian secara langsung. Dalam penelitian ini penulis berkeinginan untuk mengkomputerisasi sistem yang sedang berjalan agar dapat lebih cepat digunakan oleh pihak tata usaha dengan sistem baru yang dirancang dengan menggunakan Visual basic 2010. Pembuatan sistem informasi nilai siswa dilakukan untuk mempermudah pengelolaan nilai siswa, terutama data siswa, matapelajaraan dan data guru. Pada akhirnya diharapkan tersedia data akurat yang disajikan dalam berbagai informasi.
Informasi inilah berguna bagi guru, siswa, orang tua hingga pemerintah dalam menentukan kebijakan yang tepat, guna peningkatan kualitas pendidikan khususnya di Sekolah Menengah Kejuruan SMK Kerabat Kita Bumiayu.
Berdasarkan uaraian diatas maka penulis merumuskan judul Sistem Pengolahan Data Nilai Siswa.
SISTEM INFORMASI KERUSAKAN LAPTOP MENGGUNAKAN METODE NAÏVE BAYESHaris Pramudia
Sistem informasi ini menggunakan metode Naïve Bayes untuk mendiagnosa kerusakan laptop berdasarkan gejala. Metode ini diharapkan dapat menentukan jenis kerusakan dan saran perbaikan dengan akurasi tinggi."
Dianvs.blogspot.com proposal sripsi- analisis dan perancangan sistem pengolah...suleman ganteng
Dianvs.blogspot.com proposal sripsi- analisis dan perancangan sistem pengolahan data persediaan perlengkapan kendaraan bermotor pada pt lautan teduh interniaga
Makalah ini membahas tentang peranan statistika dan perkembangannya dalam teknik informatika. Statistika berperan penting dalam pembuatan perangkat lunak, pembuatan website statistik, penggunaan software statistika, survei pasar, penelitian pendidikan, pembangunan nasional, dan berbagai survei bank. Statistika juga berkembang dari ilmu pengumpulan angka menjadi ilmu analisis data untuk pengambilan keputusan.
1. Sistem informasi nilai akademik berbasis web dibuat untuk SMP Negeri 3 Karangreja, Purbalingga untuk memudahkan akses informasi nilai siswa, guru, dan orang tua.
2. Sistem ini memungkinkan admin mengelola data, guru menginput nilai dan lihat jadwal, siswa melihat nilai dan jadwal, serta orang tua dapat melihat perkembangan anak.
3. Sistem diharapkan dapat meningkatkan kualitas pelayanan se
Ringkasan dokumen proposal tugas akhir perancangan sistem informasi nilai akademik SMK IPIEMS Surabaya berbasis web adalah sebagai berikut:
Proposal ini membahas perancangan sistem informasi nilai akademik berbasis web untuk mengatasi masalah sistem manual yang ada, dengan tujuan merancang sistem informasi nilai siswa yang mudah diakses dan menghemat waktu. Rancangan sistem akan menganalisis sistem lama, merancang input, output, proses, database dan ant
Sipi, lauhul machfuzh,prof. hapzi ali,jenis jenis penyerangan dan penyalahgun...Lauhul Machfuzh
Dokumen tersebut merupakan tugas akhir mahasiswa yang menganalisis jenis penyerangan dan penyalahgunaan sistem informasi pada perusahaan PT Secret Recipe Indonesia. Tujuan penelitian ini adalah untuk mengevaluasi ancaman terhadap keamanan sistem informasi perusahaan tersebut serta mengidentifikasi jenis penyerangan yang paling umum."
SISTEM PENUNJANG KEPUTUSAN PEMILIHAN SEKOLAH MENENGAH KEJURUAN TEKNIK KOMPUTE...faisalpiliang1
Dokumen tersebut membahas penelitian tentang sistem pendukung keputusan untuk membantu siswa SMP dalam memilih SMK TKJ favorit dengan menggunakan metode Analytical Hierarchy Process (AHP). Penelitian ini menghasilkan pilihan SMK TKJ 2 sebagai pilihan favorit 44,8% siswa, diikuti SMK TKJ 1 sebesar 29,3%, dan SMK TKJ 3 sebesar 25,9%.
Sim,ridho setiadi,hapzi ali,sumber daya komputasi dan komunikasi,universitas ...ridhosetiadi69
Dokumen tersebut membahas langkah-langkah analisis sistem yang meliputi identifikasi masalah, memahami sistem yang ada, menganalisis sistem, dan membuat laporan. Juga dibahas metode alternatif pengembangan sistem seperti paket, prototipe, end user computing, dan outsourcing beserta kelebihan dan kekurangannya.
Sim 5 - ellya yasmien, prof. dr. ir. hapzi ali mm. cma., sumber daya komputas...Ellya Yasmien
Sim 5 - ellya yasmien, prof. dr. ir. hapzi ali mm. cma., sumber daya komputasi dan komunikasi, universitas mercu buana, 2017
"menganalisa system informasi serta menentukan alternative pengembangan system infomasi, sumber daya komputasi dan komunikasi, pemberdayaan data secara elektronik lebih baik dari pada manual, dan alasan software pesanan melalui konsuktan IT (outsourcing) lebih mahal dari software jadi yang ada di pasaran software aplikasi"
SISTEM INFORMASI AKADEMIK (SIA) SEKOLAH MENENGAH
KEJURUAN (SMK) CENDANA PADANG PANJANG DENGAN
MENGGUNAKAN BAHASA PEMROGRAMAN YANG BERBASISKAN
OBJECT ORIENTED PROGRAMMING (OOP)
Proposal penilitianPROPOSAL PENILITIAN Aplikasi Pengolahan Data Nilai Siswa M...Amalia Fasykhatussiam
Perkembangan teknologi informasi memiliki kemajuan yang sangat pesat baik didunia pendidikan. Sehingga penerapannnya menjadi dominan hampir semua kegiatan dilakukan dengan melibatkan teknologi informasi.
Saat ini informasi yang disampaikan terkadang masih bersifat manual, artinya penyediaan informasi yang disampaikan masih melibatkan manusia sebagai penyampaian secara langsung. Dalam penelitian ini penulis berkeinginan untuk mengkomputerisasi sistem yang sedang berjalan agar dapat lebih cepat digunakan oleh pihak tata usaha dengan sistem baru yang dirancang dengan menggunakan Visual basic 2010. Pembuatan sistem informasi nilai siswa dilakukan untuk mempermudah pengelolaan nilai siswa, terutama data siswa, matapelajaraan dan data guru. Pada akhirnya diharapkan tersedia data akurat yang disajikan dalam berbagai informasi.
Informasi inilah berguna bagi guru, siswa, orang tua hingga pemerintah dalam menentukan kebijakan yang tepat, guna peningkatan kualitas pendidikan khususnya di Sekolah Menengah Kejuruan SMK Kerabat Kita Bumiayu.
Berdasarkan uaraian diatas maka penulis merumuskan judul Sistem Pengolahan Data Nilai Siswa.
SISTEM INFORMASI KERUSAKAN LAPTOP MENGGUNAKAN METODE NAÏVE BAYESHaris Pramudia
Sistem informasi ini menggunakan metode Naïve Bayes untuk mendiagnosa kerusakan laptop berdasarkan gejala. Metode ini diharapkan dapat menentukan jenis kerusakan dan saran perbaikan dengan akurasi tinggi."
Dianvs.blogspot.com proposal sripsi- analisis dan perancangan sistem pengolah...suleman ganteng
Dianvs.blogspot.com proposal sripsi- analisis dan perancangan sistem pengolahan data persediaan perlengkapan kendaraan bermotor pada pt lautan teduh interniaga
Makalah ini membahas tentang peranan statistika dan perkembangannya dalam teknik informatika. Statistika berperan penting dalam pembuatan perangkat lunak, pembuatan website statistik, penggunaan software statistika, survei pasar, penelitian pendidikan, pembangunan nasional, dan berbagai survei bank. Statistika juga berkembang dari ilmu pengumpulan angka menjadi ilmu analisis data untuk pengambilan keputusan.
1. Sistem informasi nilai akademik berbasis web dibuat untuk SMP Negeri 3 Karangreja, Purbalingga untuk memudahkan akses informasi nilai siswa, guru, dan orang tua.
2. Sistem ini memungkinkan admin mengelola data, guru menginput nilai dan lihat jadwal, siswa melihat nilai dan jadwal, serta orang tua dapat melihat perkembangan anak.
3. Sistem diharapkan dapat meningkatkan kualitas pelayanan se
Ringkasan dokumen proposal tugas akhir perancangan sistem informasi nilai akademik SMK IPIEMS Surabaya berbasis web adalah sebagai berikut:
Proposal ini membahas perancangan sistem informasi nilai akademik berbasis web untuk mengatasi masalah sistem manual yang ada, dengan tujuan merancang sistem informasi nilai siswa yang mudah diakses dan menghemat waktu. Rancangan sistem akan menganalisis sistem lama, merancang input, output, proses, database dan ant
Dokumen tersebut merupakan ringkasan materi perkuliahan mata kuliah Information and Social Network (ISN) pada STEI ITB tahun 2013. Mata kuliah ini membahas tentang teori jaringan sosial dan implementasi jaringan sosial, dengan tujuan agar mahasiswa dapat memahami dan membangun aplikasi terkait jaringan sosial. Materi yang dibahas antara lain definisi sistem informasi dan jaringan informasi, sejarah media sosial, tipe-t
Dokumen tersebut membahas tentang tiga alat keamanan sistem informasi yaitu MRTG, Wireshark, dan Kali Linux. MRTG digunakan untuk memantau lalu lintas jaringan, Wireshark untuk menangkap paket-paket data, dan Kali Linux merupakan sistem operasi khusus untuk pengujian penetrasi.
Dokumen tersebut menjelaskan sejarah perkembangan jaringan komputer global dimulai dari proyek ARPANET milik Departemen Pertahanan Amerika Serikat pada tahun 1969 hingga berbagai inovasi penting seperti penemuan e-mail dan protokol TCP/IP yang membentuk dasar internet modern. Dokumen ini juga menjelaskan berbagai jenis topologi jaringan komputer.
Pengaruh Propagasi Terhadap Komunikasi Data Pada Jaringan Nirkabel Materi Kuliah Online
Dokumen tersebut membahas pengaruh dua jenis propagasi (Two Ray Ground dan Free Space) terhadap kinerja jaringan nirkabel dengan menggunakan dua metode akses (basic access dan RTS/CTS). Simulasi menggunakan Network Simulator 2 (NS2) menunjukkan bahwa penggunaan propagasi Two Ray Ground dengan metode basic access memberikan throughput tertinggi, efisiensi kanal tertinggi, dan jumlah bit yang terbuang paling sedikit dibandingkan kombinasi lain.
1. Dokumen ini membahas analisis kinerja protokol routing social aware berbasis konten pada jaringan opportunistic. Protokol ini memanfaatkan karakteristik sosial manusia seperti minat, komunitas, dan frekuensi pertemuan untuk menentukan relay terbaik dalam pengiriman pesan. 2. Protokol ini menggunakan konsep store-carry-forward di mana pesan disimpan sementara pada relay sebelum dikirim ke tujuan. 3. Parameter kinerja yang dinilai antara
Dokumen tersebut membahas tentang model referensi OSI dan TCP/IP serta fungsi masing-masing layer pada kedua model tersebut. Dokumen tersebut juga menjelaskan istilah-istilah yang terkait dengan jaringan komputer seperti TCP, IP, SMTP, FTP, DNS, SNMP, UDP, ARP, RARP dan URL.
Model OSI (Open System Interconnection) adalah kerangka kerja tujuh lapisan yang dirancang untuk memfasilitasi komunikasi antar sistem terbuka yang berbeda. Model ini membagi proses komunikasi jaringan menjadi tujuh lapisan, dimulai dari lapisan fisik hingga aplikasi. Setiap lapisan berfungsi untuk mendefinisikan format dan protokol yang memungkinkan komunikasi antar sistem terbuka.
Model OSI dirancang untuk mengatasi berbagai kendala internetworking akibat perbedaan arsitektur dan protokol jaringan dengan memberikan standarisasi kompatibilitas antar jaringan dan vendor. Model ini terdiri dari 7 layer yang mengatur fisik, data link, jaringan, transport, session, presentasi, dan aplikasi. Setiap layer memiliki fungsi khusus untuk mengatur komunikasi jaringan.
Developing Systems Application Based on Android as Tool for Determinant Stunt...Igun
The purpose of this study is to build an integrated survey
application software with android-based stunting determinants and
websites to obtain a centralized baseline dataset. The application is
intended to prepare centralized data on stunting determinants in the
Covid-19 pandemic era, then in the direction of further research it can
be developed into artificial intelligence (AI)-based stunting detection
applications. Method. This research consists of two stages, the
Research Stage using qualitative methods and the system
development stage using the Software Development Life Cycle (SDLC)
method with the PADI concept (Planning, Analysis, Design, and
Implementation). This research was conducted in several areas of
Blora Regency from January to September 2021 with a total of 300
respondents and 78 questionnaire questions. Result. This research is
an application of the Nutrition Status Detection System (SITEKSTAGI)
based on a website and android phone with a centralized
questionnaire data collection feature. Conclusion From the results of
system testing, the sitekstagi application to monitor and collect
questionnaires can work smoothly and well.
Basis data merupakan kumpulan data yang terorganisasi dan terintegrasi untuk mendukung proses pengambilan keputusan. Dokumen ini membahas tentang pengantar basis data, sistem basis data, model data, diagram E-R, transformasi model data ke basis data fisik, dan implementasi basis data.
Modul ini membahas tentang pendahuluan dan sejarah permainan, dimulai dari permainan yang dimainkan oleh monyet hingga perkembangan permainan papan dan dadu ribuan tahun lalu. Modul ini juga menjelaskan perkembangan permainan meja dan permainan elektronik modern.
Modul praktikum Pemrograman web Backend dengan Codeigniter dan LTEIgun
Modul ini membahas tentang pembuatan aplikasi web dengan menggunakan CodeIgniter PHP framework. Terdapat penjelasan mengenai instalasi XAMPP web server, pengenalan HTML, CSS, PHP, dan MySQL serta cara membangun aplikasi web sederhana menggunakan CodeIgniter.
Modul praktikum Pemrograman Frontend dengan Code Igniter dan BootstrapIgun
This document provides instructions for installing and configuring XAMPP, a free and open-source cross-platform web server solution stack package. It discusses downloading and installing XAMPP, setting up the included Apache web server, PHP, and MySQL databases. It also provides an introduction and examples for HTML, CSS, PHP, MySQL, content management systems like Joomla, and using PHP frameworks like CodeIgniter. The document is intended as a module or practical guide for a web programming course.
Modul ini membahas administrasi basisdata menggunakan MySQL. Modul ini menjelaskan cara instalasi XAMPP untuk membangun server database lokal, dan langkah-langkah dasar penggunaan MySQL seperti membuat database dan tabel, menambahkan data, memodifikasi dan menghapus data menggunakan perintah SQL. Modul ini juga membahas konsep JOIN untuk menghubungkan tabel dan query yang lebih kompleks.
Modul ini membahas tentang mata kuliah Keamanan Informasi dan Jaringan. Mata kuliah ini bertujuan memberikan pemahaman tentang konsep dan teori keamanan informasi dan jaringan, meliputi sejarah sistem keamanan, kriptografi, enkripsi, life cycle pengembangan sistem, standar keamanan, keamanan sistem, jaringan, web, dan cara melawan ancaman seperti malware dan social engineering.
Decision Support System for Determination of Scholarship Using Scratch Progra...Igun
This document describes a decision support system developed using Scratch programming to determine scholarship recipients based on the Simple Additive Weighting (SAW) method. The system uses 4 criteria: parent's income, number of parent's dependents, distance from home to school, and student age. Data is collected, normalized, and weighted using the SAW method to calculate scores and determine the most eligible candidates. The system was tested and found to have very low error and function as intended, accurately selecting students for scholarships.
Developing systems application based on android as tool for determinant stunt...Igun
This document describes the development of a mobile application called SITEKSTAGI to collect centralized data on stunting determinants in children during the COVID-19 pandemic. The application was created using a qualitative research approach and software development life cycle methodology. It allows for online and mobile collection of questionnaire data from respondents, as well as validation of child data by verifiers. Testing showed the SITEKSTAGI app works smoothly to monitor and collect questionnaires on stunting factors. The app aims to build a centralized dataset for further research using artificial intelligence to detect stunting.
Developing systems application based on android as tool for determinant stunt...
Optimasi Model Artificial Neural Network Untuk Klasifikasi Paket Jaringan
1. See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/348049079
Optimasi Model Artificial Neural Network Untuk Klasifikasi Paket Jaringan
Article in Simetris Jurnal Teknik Mesin Elektro dan Ilmu Komputer · December 2020
DOI: 10.51901/simetris.v14i2.135
CITATIONS
0
READS
234
1 author:
Some of the authors of this publication are also working on these related projects:
Assembly Programming View project
I-Polink View project
Indra Gunawan
Sekolah Tinggi Teknologi Ronggolawe Cepu
12 PUBLICATIONS 1 CITATION
SEE PROFILE
All content following this page was uploaded by Indra Gunawan on 31 December 2020.
The user has requested enhancement of the downloaded file.
2. SIMETRIS Vol. 14, No. 2, Desember 2020 e-ISSN 2686-312X
1
Optimasi Model Artificial Neural Network
Untuk Klasifikasi Paket Jaringan
Indra Gunawana
a
Sekolah Tinggi Teknologi Ronggolawe Cepu
Received : 29-12-2020 - Reviewed : 29-12-2020 - Online Published : 31-12-2020
Abstract
The classification of internet networks is widely used by various parties for saving, allocating, limiting, and administration of internet
resources. Various techniques are used, one of which is a machine learning approach, especially an artificial neural network algorithm,
hereinafter abbreviated as ANN. ANN works by imitating the way the nerves of the human brain work. ANN in this study is used to classify
network packets. The dataset used consists of 990558 rows of data, 4 input columns (X) including protocol, port, time before previous
packet, packet length. Output column (Y) consisting of 5 labels (App, Social Media, Game, Browsing, Streaming). Furthermore, this dataset
is divided into 3 datasets namely training, test, and validation. The purpose of this study is, first, to determine the ability of the ANN
algorithm for classifying packets on a per-packet basis. Second, find the most optimal ANN model for the above problem. The conclusion
obtained is that the neural network algorithm can be used in the classification of network packets, but if the dataset used has characteristics
such as the number of variables X is small, the data on the variable X is very wide distances such as (port, packet size, time to previous
packet, protocol) then high accuracy is very difficult to obtain. Second, if the problem solved has similarities with this study, the most
optimal ANN model architecture is: one input layer, one hidden layer, one output layer. The number of input layer neurons is 7 times the
number of variables X, The number of hidden layer neuron is 1 / 2.8 times the number of input neurons, dropout value is 0.33, tanh-tanh-
softmax activation method, adamax optimization method. Stable accuracy values are obtained at the 600th iteration (epoch), stable loss
values are obtained at the 1000th epoch.
Keywords : Machine learning, artificial neural networks, network packet classifications, internet classifications.
1. Pendahuluan
Klasifikasi jaringan internet dibutuhkan secara luas oleh
berbagai pihak untuk penghematan, pengalokasian,
pembatasan sumber daya internet. Berbagai teknik
digunakan untuk hal tersebut, salah satunya adalah dengan
pendekatan machine learning khususnya algoritma jaringan
syaraf tiruan (artificial neural network) yang selanjutnya
disingkat ANN. ANN bekerja dengan cara meniru cara kerja
syaraf otak manusia dan sel-sel neuronnya. ANN digunakan
pada penelitian ini karena memiliki kelebihan dibanding
algoritma machine learning lainnya yaitu dapat
memecahkan permasalahan yang komplek yang ditandai
dengan variabel yang berjumlah banyak, data berjumlah
besar dan bersifat non linier (Michael et al, 2016).
Pengklasifikasian paket jaringan digunakan untuk
mengelompokkan jaringan berdasarkan aktifitasnya,
misalnya browsing, streaming, chat, game, P2P dan lainnya.
Data klasifikasi jaringan tersebut dapat digunakan oleh
operator jaringan maupun network administrator untuk
optimalisasi bandwith yang digunakan maupun keperluan
lainnya. Secara umum pengklasifikasian paket jaringan
dilakukan dengan cara menggabungkan beberapa frame
paket berdasar sesi nya mulai dari frame pertama sampai
selesai satu sesi, kemudian dilakukan proses manual
penghitungan besar ukuran paket, waktu awal sampai selesai
dan lainnya. Semakin sedikit jumlah framenya maka
semakin sulit untuk mendapatkan klasifikasi yang akurat.
Permasalahan utama dalam pengklasifikasian paket
jaringan adalah bagaimana mendapatkan keakuratan
sekaligus kecepatan prosesnya sehingga tidak
memperlambat lalu linntas jaringan, semakin banyak frame
yang dibutuhkan dan semakin banyak variabel input(X)
maupun outputnya(Y) maka semakin memperlambat
prosesnya, demikian pula sebaliknya semakin sedikit frame
dan semakin sedikit variabel X dan Y akan mengurangi
keakuratannya tetapi menambah kecepatan prosesnya.
Penelitian ini hanya menggunakan satu frame, sedikit
variabel X maupun Y untuk mengetahui apakah algoritma
ANN dapat digunakan pada permasalahan tersebut, tujuan
lainnya adalah untuk mengetahui model ANN yang paling
optimal untuk digunakan.
Machine Learning merupakan cabang dari rumpun ilmu
kecerdasan buatan (artificial intelligence). Secara umum
machine learning dapat digunakan untuk menyelesaikan
permasalahan klasifikasi, kluster, asosiasi, prediksi dan
optimasi jalur. Masing-masing permasalahan tersebut dapat
diselesaikan dengan berbagai algoritma yang berbeda-beda.
Klasifikasi dapat diselesaikan dengan algoritma Logistic
Regression, K-Nearest Neighbors(K-NN), Support Vector
Machine (SVM), Kernel SVM, Naïve Bayes, Decision Tree
dan Random Forest. Permasalahan kluster dapat digunakan
algoritma K-Means, Hierarchical Clustering. Asosiasi dapat
digunakan algoritma Apriori dan Eclat. Prediksi dengan
angka dapat diselesaikan dengan algoritma Simple Linear,
Multiple Linear, Polynomial, Support Vector Machine,
Decision Tree, Random Forest. Sedangkan permasalahan
3. SIMETRIS Vol. 14, No. 2, Desember 2020 e-ISSN 2686-312X
2
yang lebih komplek seperti robotika, mobil pintar,
pengenalan suara, klasifikasi jaringan dan lainnya dapat
digunakan algoritma Machine Learning yang lebih khusus
seperti Artificial Neural Network(ANN) dan Convolutional
Neural Network(CNN) maupun Deep Learning.
2. Kerangka Teori
Telah ada beberapa penelitian sebelumnya tentang ANN
untuk klasifikasi paket jaringan yaitu penelitian yang
dilakukan oleh (Michael et al, 2016), (Liang et al, 2019),
(Lopez-Martin et al, 2017), (Lloret, 2017), (Wang, 2017),
(Iqbal et al, 2019). Penelitian (Michael et al, 2016)
membahas tentang klasifikasi paket jaringan menggunakan
ANN menggunakan 10 kelas input dan 1 kelas output,
klasifikasi paket-paketnya berdasarkan 1 transaksi/sesi.
Penelitian (Liang et al, 2019) meneliti tentang penggunaan
Deep Reinforcement Learning untuk klasifikasi paket
jaringan pendekatan feature learning. Penelitian (Lopez-
Martin et al, 2017) membahas tentang penggunaan teknik
Convolutional dan Recurrent Neural Network untuk
peralatan Internet of Thing(IOT). Penelitian (Lloret, 2017)
meneliti tentang penggunaan Deep Learning untuk
klasifikasi paket. Penelitian (Wang, 2017) membahas
tentang penggunaan performa ANN untuk klasifikasi paket
jaringan. Penelurusan pada google scholar tentang topik ini
membawa kepada simpulan bahwa klasifikasi paket jaringan
berdasarkan per satu frame saja menggunakan ANN adalah
ruang kajian yang masih perlu untuk diteliti.
3. Metodologi
Pengumpulan data dilakukan dengan cara
melakukan penyadapan/tapping terhadap jaringan kampus
Universitas Ibnu Sina Batam selama lebih kurang total 15
menit, proses ini dilakukan dengan mengambil beberapa
sampel selama beberapa hari pada jam puncak keramaian.
Setelah mendapatkan beberapa sampel paket jaringan,
dataset digabung menggunakan aplikasi wireshark dan
diexport kedalam format CSV untuk diproses pada tahap
berikutnya. Selanjutnya dibuat kolom ‘Klasifikasi’ pada
dataset CSV, pengisian label pada kolom klasifikasi ini
dilakukan secara manual dengan melihat berbagai informasi
pada kolom lainnya secara akurat. Labelnya akan diisi
dengan string “App”, ”Game”, ”Browsing”,’ ’Streaming”
dan ”Sosmed”. Setelah kolom klasifikasi terisi secara
penuh, dilakukan penyaringan data dengan menghapus paket
“noise”. Paket noise adalah paket-paket yang tidak
berhubungan dengan lima label diatas, paket ini akan
dihapus. Selanjutnya dilakukan penghapusan kolom-kolom
dan menyisakan 5 kolom yaitu: protocol, port, timestamp,
length dan klasifikasi.
Selanjutnya dilakukan sejumlah perubahan dan pembersihan
data pada dataset. Perubahan-perubahan yang dilakukan
yaitu: 1. Data hanya diambil dari 4 label yang paling sering
muncul dari masing-masing kolom input. 2. Dibuat label
‘OTHER’ pada masing-masing kolom untuk menampung
sisa data diluar empat besar. 3.Dilakukan penyeimbangan
data menggunakan teknik over sampling SMOTE yang
bertujuan untuk untuk menambahkan data sintetis,
kemudian dilakukan pengurangan data dengan teknik under
sampling NEARMISS hingga terjadi keseimbangan
persebaran setiap label. Label output(Y) dapat dilihat pada
tabel 1 berikut ini..
Tabel 1 Daftar Label Input(Y)
No Nama Kolom Jenis
1 Protocol Input(X)
2 Length Input(X)
3 Timestamp Input(X)
4 Port Input(X)
5 Klasifikasi Output(Y)
4. Hasil dan Pembahasan
4.1 Optimasi Model
ANN adalah termasuk algoritma pada Machine Learning
yang bersifat supervised, artinya algoritma ini membutuhkan
masukan sejumlah parameter untuk dapat menghasilkan
keluaran yang maksimal. Tujuan utama penelitian tentang
ANN adalah untuk menemukan model yang ideal dan
optimal pada kasus yang diteliti. Proses optimasi model
dilakukan dengan cara trial dan eror dengan mengubah-ubah
sejumlah parameter pada model. Parameter-parameter
tersebut adalah: 1. Jumlah neuron pada input layer. 2.
Jumlah hidden layer. 3. Jumlah neuron pada hidden layer. 4.
Metode aktivasi. 5. Metode Optimasi. 6. Nilai dropout. 7.
Batch_size. 8. Iterasi/Epoch. Perubahan-perubahan
parameter pada sembilan poin diatas dapat menghasilkan
keluaran yang berbeda.
Proses percobaan pada setiap parameter dilakukan dengan
cara mengubah satu parameter dengan berbagai nilai dan
membiarkan parameter lainnya sehingga didapatkan
kekonsistenan hasil. Setelah didapatkan keluaran yang
optimal pada satu parameter, parameter yang telah optimal
tersebut akan diterapkan ketika melakukan percobaan pada
parameter lainnya. Begitu selanjutnya sampai semua
parameter dalam kondisi optimal.
Secara matematik, model ANN dapat dirumuskan sebagai
berikut, lihat pada Gambar 1.
Gambar 1 Model matematik dan model arsitektur layer Artifical
Neural Network (ANN).
Neuron pada Input Layer, neuron pada hidden layer,
neuron pada output layer serta jumlah layer pada hidden
layer dapat dimodifikasi jumlahnya untuk menemukan
proporsi yang tepat sesuai masalah yang diselesaikan.
Variabel X0 sampai Xn adalah variabel input berisi angka
antara 0 dan 1, pada penelitian ini inputnya adalah protocol,
port, length dan timestamp yang dikonversi menjadi angka
antara 0 dan 1 dengan menggunakan fungsi persebaran
minimum dan maksimum. Variabel Yk adalah variabel
output yaitu kolom klasifikasi. Variabel W adalah bobot
nilai pada tiap-tiap variabel X. Setiap bobot yang bernilai
4. SIMETRIS Vol. 14, No. 2, Desember 2020 e-ISSN 2686-312X
3
tinggi akan diambil untuk digunakan pada proses berikutnya
sedangkan bobot yang bernilai rendah akan dihapus
menggunakan fungsi dropout. Kombinasi dari penghitungan
bobot sejumlah variabel input akan terus diperbaiki dari
iterasi ke iterasi sampai menghasilkan bobot yang optimal.
4.2 Input Layer
Percobaan pada input layer dilakukan dengan cara
mengubah-ubah jumlah neuronnya dan membiarkan neuron
pada layer lainnya hingga didapatkan nilai loss yang paling
kecil. Perubahan nilai pada input layer dapat dilihat pada
Tabel 2 berikut.
Tabel 2 Perbandingan Optimasi Input Layer
Jumlah Neuron
Dataset Loss
Input Hidden Output
28 10 3 Training
Test
Validation
0.3426715
0.3419900
0.3421240
10 10 3 Training
Test
Validation
0.3646827
0.3639667
0.3639387
25 10 3 Training
Test
Validation
0.3691933
0.3682538
0.3682329
3 10 3 Training
Test
Validation
0.3716515
0.3705643
0.3705689
5 10 3 Training
Test
Validation
0.3760645
0.3755217
0.3754914
30 10 3 Training
Test
Validation
0.3827678
0.3815309
0.3815142
70 10 3 Training
Test
Validation
0.3934881
0.3925169
0.3924685
Dari berbagai perubahan nilai yang dilakukan pada input
layer seperti terlihat pada Tabel 2 dapat disimpulkan bahwa
neuron sebanyak 28 merupakan jumlah yang paling optimal
dimana jumlah tersebut dapat menghasilkan nilai loss yang
terkecil.
4.3 Hidden Layer
Percobaan pada hidden layer terdiri dari dua tahap,
percobaan pertama untuk menemukan jumlah layer yang
paling optimal, percobaan kedua untuk menemukan jumlah
neuron yang paling optimal. Hasil percobaan tersebut dapat
dilihat pada Tabel 3 berikut ini.
Tabel 3 Perbandingan Optimasi Jumlah Hidden Layer
Jumlah
Hidden
Layer
Dataset Loss
1 Training
Test
Validation
0.3552483
0.3537241
0.3537502
2 Training
Test
Validation
0.3747940
0.3735337
0.3735103
3 Training
Test
Validation
0.4030375
0.4020166
0.4019670
4 Training
Test
Validation
0.4060224
0.4052239
0.4051619
Dari percobaan perubahan jumlah hidden layer pada
Tabel 3, disimpulkan bahwa nilai loss terkecil didapatkan
pada jumlah hidden layer satu.
Percobaan pada hidden layer selanjutnya dilakukan
terhadap jumlah neuron, di tahap ini dilakukan berbagai
perubahan terhadap jumlah neuron dari angka terkecil 3
neuron sampai 14 seperti terlihat pada Tabel 4 berikut ini.
Tabel 4 Perbandingan Optimasi Layer
Jumlah Neuron
Input Hidden Output Dataset Loss
28 10 3 Training
Test
Validation
0.3656147
0.3649282
0.3649409
28 6 3 Training
Test
Validation
0.3807375
0.3800701
0.3800569
28 14 3 Training
Test
Validation
0.4174686
0.4164832
0.4164643
28 9 3 Training
Test
Validation
0.3912370
0.3897505
0.3897160
28 12 3 Training
Test
Validation
0.4559653
0.4546776
0.4546339
28 3 3 Training
Test
Validation
0.4589423
0.4579503
0.4579014
Dari berbagai variasi percobaan perubahaan nilai pada
jumlah neuron, disimpulkan bahwa jumlah neuron pada
hidden layer yang paling optimal adalah 10 neuron yaitu
yang dapat menghasilkan nilai loss terkecil.
4.4 Aktivasi
Fungsi aktivasi adalah fungsi matematika yang berada
pada hidden layer yang berfungsi untuk mengubah ANN
menjadi bersifat non linier. Beberapa fungsi aktivasi yang
tersedia pada framework tensorflow adalah: Tanh, softsign,
sigmoid, softmax, softplus, linear, relu, elu, exponential.
Percobaan dilakukan dengan mengubah fungsi aktivasi dan
dihitung nilai loss nya, hasilnya dapat dilihat pada Tabel 5
berikut ini.
Tabel 5 Perbandingan Arsitektur Layer
Layer
Optimizer Dataset Loss
Input Hidden Output
Tanh Tanh Softmax Adamax Training 0.34
Test 0.34
Validation 0.34
Sotfsign Sotfsign Softmax Adamax Training 0.36
Test 0.35
Validation 0.35
Sigmoid Sigmoid Softmax Adamax Training 0.39
Test 0.39
Softmax Softmax Softmax Adamax Training 0.46
Test 0.46
Validation 0.46
Linear Linear Softmax Adamax Training 0.98
Test 0.9
Validation 0.9
5. SIMETRIS Vol. 14, No. 2, Desember 2020 e-ISSN 2686-312X
4
Softplus Softplus Softmax Adamax Training 0.45
Test 0.42
Validation 0.42
Elu Elu Softmax Adamax Training 0.77
Test 0.74
Validation 0.74
Relu Relu Softmax Adamax Training 0.99
Test 0.91
Dari percobaan perubahan fungsi-fungsi aktivasi yang
tersedia, dapat disimpulkan bahwa fungsi aktivasi yang
paling optimal adalah fungsi Tanh yang menghasilkan nilai
loss terkecil.
4.5 Optimasi
Optimasi dalam machine learning adalah fungsi
matematika yang digunakan untuk memilih nilai yang
dianggap paling optimal dari sejumlah nilai pada proses
pembelajaran. Percobaan pada tahap ini dilakukan dengan
mengubah ubah parameter fungsi optimasi dan menilai
hasilnya. Nilai loss yang dihasilkan oleh masing-masing
fungsi tersebut dapat dilihat pada Tabel 6 berikut ini.
Tabel 6 Perbandingan Metode Optimasi
Optimizer Dataset Loss
Adamax Training 0.33
Test 0.32
Validation 0.32
RMSProp Training 0.34
Test 0.34
Validation 0.34
Adam Training 0.35
Test 0.35
Validation 0.35
SGD Training 0.49
Test 0.49
Validation 0.49
Adagrad Training 0.49
Test 0.49
Validation 0.49
Adadelta Training 0.7
Test 0.67
Validation 0.67
Dari berbagai percobaan yang dilakukan, dapat
disimpulkan bahwa fungsi adamax menghasilkan nilai loss
yang paling minimal.
4.6 Pengeluaran(Dropout)
Dropout merupakan fungsi matematika yang digunakan
untuk menentukan prosentasi pembuangan nilai yang
dianggap paling buruk dari sejumlah nilai yang dihasilkan
pada satu tahap pembelajaran. Tujuan dari pembuangan ini
untuk mengurangi overfitting pada model, yaitu kondisi
dimana nilai akurasi yang dihasilkan terlalu sempurna,
misalnya bernilai 1. Percobaan pada tahap ini dilakukan
dengan mengubah-ubah parameter nilai dropout hingga
diapatkan nilai loss terkecil. Hasil percobaan tersebut dapat
dilihat pada Tabel 7 berikut.
Tabel 7 Perbandingan Nilai Dropout
Nilai Dropout Dataset Loss
0,33 Training 0.35
Test 0.35
Validation 0.35
0,4 Training 0.36
Test 0.36
Validation 0.36
Nilai Dropout Dataset Loss
0,2 Training 0.36
Test 0.36
Validation 0.36
0,055 Training 0.37
Test 0.37
Validation 0.37
0,1 Training 0.42
Test 0.42
Validation 0.42
Dari berbagai percobaan yang dilakukan terhadap
parameter dropout, dapat disimpulkan bahwa nilai dropout
yang paling optimal adalah 0,33 dimana pada kondisi ini
dihasilkan nilai loss terkecil.
4.7 Optimasi Variabel Input(X)
Pada tahap ini dilakukan percobaan menggunakan 1 sampai
4 kolom input(X) untuk melihat performa loss nya sehingga
dapat digunakan untuk menentukan jumlah kolom yang
optimal. Perbedaan hasil jumlah kolom variabel input (X)
dapat dilihat pada Tabel 8 berikut ini.
Tabel 8 Perbandingan Hasil Pembelajaran Berdasarkan
Jumlah Variabel Input(X).
Jumlah
Variabel X
Dataset Loss
4 Training 0.38
Test 0.38
Validation 0.38
3 Training 0.44
Test 0.44
Validation 0.44
2 Training 0.44
Test 0.44
Validation 0.44
1 Training 0.44
Test 0.44
Validation 0.44
Dari percobaan yang dilakukan terhadap jumlah variabel
input seperti pada Tabel 8, didapatkan kesimpulan bahwa
semakin banyak kolom pada variabel input akan
memberikan hasil yang lebih baik. Tetapi untuk mengetahui
jumlah kolom maksimal diperlukan penelitian lanjutan.
Nilai accuracy dan loss yang didapatkan dari percobaan
variasi jumlah kolom tersebut dapat dilihat pada Gambar 2
dibawah ini.
Gambar 2: Diagram Hasil Pembelajaran 4 Kolom
Input(X).
Gambar 2 diatas menjelaskan bawah penggunaan 4
kolom menunjukkan hasil yang accuracy dan loss yang
mendekati nilai validasinya.
6. SIMETRIS Vol. 14, No. 2, Desember 2020 e-ISSN 2686-312X
5
5. Kesimpulan
Kesimpulan yang didapatkan dari penelitian ini adalah.
Pertama, Algoritma neural network dapat digunakan pada
klasifikasi paket jaringan, tetapi jika dataset yang digunakan
memiliki karakteristik-karakteristik jumlah variabel X kecil,
data pada variabel X sangat lebar jaraknya seperti (port,
packet size, time to previous packet, protocol) maka akurasi
tinggi sangatlah sulit didapatkan. Kedua, semakin banyak
kolom pada variabel input (X) akan memberikan hasil yang
lebih baik. Ketiga, jika permasalahan yang dihadapi
memiliki kemiripan dengan penelitian ini yaitu
pengklasifikasian per satu packet jaringan, maka arsitektur
model ANN yang paling optimal adalah: jumlah neuron
input layer adalah 7 kali jumlah variabel X, jumlah neuron
hidden layer adalah 1/2,8 kali jumlah neuron input, jumlah
hidden layer satu, nilai dropout 0,33, metode aktivasi tanh-
tanh-softmax, metode optimasi adamax, fungsi loss catagory
entropy. Nilai accuracy stabil didapatkan pada iterasi
(epoch) ke-600, nilai loss stabil didapatkan pada epoch ke-
1000, sehingga didapat kesimpulan bahwa dibutuhkan
iterasi minimal seribu kali untuk mendapatkan hasil optimal.
Penelitian ini memiliki keterbatasan sumberdaya waktu dan
peralatan sehingga dapat dilanjutkan penelitian lanjutan
menggunakan iterasi sampai sepuluh ribu kali dan nilai
batch_size kecil-kecilnya untuk mendapatkan akurasi yang
maksimal dan loss yang minimal. Selain itu, dapat
ditambahkan variabel X dengan pembatasan label perkolom
maksimal sepuluh label, sehingga algoritma neural network
dapat bekerja secara optimal. Untuk melakukan hal tersebut
dapat dilakukan dengan menggunakan spesifikasi komputer
yang lebih tinggi dan waktu yang lebih lama.
Daftar Pustaka
A. K. J. Michael, E. Valla, N. S. Neggatu, and A. W. Moore, “Network
traffic classification via neural networks,” p. 25.
E. Liang, H. Zhu, X. Jin, and I. Stoica, “Neural Packet Classification,”
ArXiv190210319 Cs, Feb. 2019.
M. Lopez-Martin, B. Carro, A. Sanchez-Esguevillas, and J. Lloret,
“Network Traffic Classifier With Convolutional and Recurrent Neural
Networks for Internet of Things,” IEEE Access, vol. 5, pp. 18042–
18050, 2017, doi: 10.1109/ACCESS.2017.2747560.
Z. Wang, “The Applications of Deep Learning on Traffic Identification,” p.
10.
M. F. Iqbal, M. Zahid, D. Habib, and L. K. John, “Efficient Prediction of
Network Traffic for Real-Time Applications,” J. Comput. Netw.
Commun., vol. 2019, pp. 1–11, Feb. 2019, doi: 10.1155/2019/4067135.
View publication stats
View publication stats