December 8, 2020

342 words 2 mins read

Klasifikasi network traffic menggunakan semi-supervised learning

Klasifikasi network traffic menggunakan semi-supervised learning

Dilakukan klasifikasi network traffic menggunakan semi-supervised learning. Metode ini menggunakan data berlabel dan tidak berlabel sebagai dataset training dan testing. Penggunaan data tidak berlabel ini diharapkan dapat ditambahkan sehingga dapat menambah akurasi classifier. Klasifikasi ini sangat bermanfaat untuk manajemen jaringan dan membantu ISP memberikan layanan terbaik bagi konsumen.

Semakin berkembangnya zaman, internet kini menjadi hal penting yang wajib ada dalam kehidupan sehari-hari. Jutaan orang menggunakan internet untuk berbagai macam kegiatan seperti membaca berita, bermain games, sosial media, video conference, e-commerce, transaksi bank, dan saat-saat pandemi, banyak digunakan mahasiswa dan siswa untuk melakukan pembelajaran jarak jauh. Keadaan ini membuat topologi jaringan menjadi kompleks dan dinamis, banyaknya data yang perlu dikirim yang akan memberatkan beban bandwidth serta memberikan kesempatan seseorang untuk dapat melakukan sabotase guna mendapatkan keuntungan dari keadaan ini. Oleh karena itu, diperlukan banyak inovasi seperti infrastruktur dan mekanisme untuk dapat menyelesaikan masalah-masalah tadi. Salah satunya, dapat dilakukan monitoring dan mendata jaringan yang ada. Hal ini dikenal dengan sebutan network traffic classification.

Network traffic classification merupakan sumber utama untuk memonitor aktivitas jaringan dan mendeteksi ancaman yang dapat membahayakan jaringan. Dengan memonitor aktivitas jaringan ini berpotensi untuk menyelesaikan masalah kompleksitas dan dinamis dengan melakukan manajemen jaringan yang biasanya dilakukan oleh Internet service provider (ISP) dan vendor. Beberapa manajemen jaringan yang dapat dilakukan antara lain flow prioritization, traffic shaping/ policing, dan diagnostic monitoring.

Untuk mengatasinya, digunakan machine learning guna melakukan klasifikasi network traffic. Hal ini karena dengan metode ini telah terbukti efektif, akurat, dan dapat mengklasifikasikan private data dari beberapa penelitian sebelumnya. Ada berbagai metode machine learning yang ada antara lain supervised, unsupervised, dan semi-supervised learning. Metode supervised merupakan metode yang membutuhkan data training yang berlabel secara keseluruhan. Namun, metode ini dirasa memiliki kelemahan yaitu membutuhkan waktu lama dan lebih mahal dibandingkan metode unsupervised learning jika data yang digunakan merupakan data yang besar. Di sisi lain, untuk bisa mengklasifikasi suatu traffic kita tetap perlu suatu label untuk dapat memutuskan jenis traffic apa. Oleh karena itu, dipilih metode semi-supervised learning yaitu menggunakan sedikit data berlabel dan dengan banyak data tak berlabel.

Project Author(s)

Arba Robbani (23220901)

EL5090 EL5090-H2-2020
comments powered by Disqus
DNA Bases Biosensor for miR-21 Detection

DNA Bases Biosensor for miR-21 Detection

December 8, 2020

This research is intended o design DNA probe that will specifically detect miR-21. The probe then will be immobilized on the surface of electrode as part of electrode functionalization. The electrode then can be used to detect sample containing miR-21 such as in serum or plasma as one of cardiovascular disease marker.
Klasifikasi Malware Menggunakan Machine LearningBerbasis Image Processing

Klasifikasi Malware Menggunakan Machine LearningBerbasis Image Processing

December 8, 2020

Penelitian yang terdiri dari membangun model machine learning yang berfungsi untuk mengklasifikasi jenis malware berdasarkan pengenalan visual. Proses terdiri dari pengumpulan dan konversi dataset malware menjadi gambar, melatih model machine learning, dan melakukan pengetesan performa model.
3D Volume Renderred Ginjal dari Citra 2D Abdominal MRI Sebagai Evaluasi Awal Donor Transplantasi Ginjal

3D Volume Renderred Ginjal dari Citra 2D Abdominal MRI Sebagai Evaluasi Awal Donor Transplantasi Ginjal

December 7, 2020

Untuk menghindari komplikasi subjek donor transplantasi ginjal, diperlukan evaluasi awal bagi pendonor hidup melalui pencitraan medis sebagai monitoring anatomi organ. Diantara beberapa paremeter yang digunakan dalam evaluasi citra anatomi, 3D volume renderred image merupakan parameter yang memberikan informasi interior anatomi organ.
Analisa Kinerja Implementasi Wireless Ad-Hoc Network pada CBTC

Analisa Kinerja Implementasi Wireless Ad-Hoc Network pada CBTC

December 7, 2020

Ketepatan serta keamanan kereta api cepat menjadi komponen penting yang harus di perhatikan, maka dari itu diterapkan sistem CBTC yang menggunakan sistem persinyalan moving block. Wireless Ad-Hoc memungkinkan perangkat berkomunikasi secara langsung dengan perangkat lain tanpa melibatkan perantara.
Analisi Performansi Pengaruh Interferensi Wi-Fi terhadap Kinerja CBTC

Analisi Performansi Pengaruh Interferensi Wi-Fi terhadap Kinerja CBTC

December 7, 2020

Communications-Based Train Control (CBTC) adalah sistem signalling modern yang menggunakan komunikasi radio untuk mentransfer informasi dari train control kepada kereta api. Pada umumnya jaringan Trackside System menggunakan infrastruktur Wi-Fi konvensional (IEEE 802.
Deteksi Aritmia Berbasis Machine Learning Menggunakan Kombinasi Citra Elektrokardiografi EKG dan Photoplethysmografi PPG

Deteksi Aritmia Berbasis Machine Learning Menggunakan Kombinasi Citra Elektrokardiografi EKG dan Photoplethysmografi PPG

December 7, 2020

Aritmia merupakan salah satu kelainan jantung dimana detak jantung berdetak secara tidak normal. Gangguan aritmia biasanya dideteksi dengan elektrokardiografi (EKG). Sayangnya penggunaan EKG dirasa kurang mampu untuk membedakan aritmia yang berasal dari ventrikel dan atrial sehingga digunakan tambahan photoplethysmografi (PPG).