Alamsyah Alamsyah
Universitas Negeri Semarang, Indonesia

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

Optimasi Deep Convolutional Neural Network (Deep CNN) untuk Deteksi Aritmia Melalui Sinyal EKG Menggunakan Arsitektur Conv1D Yopi Julia Nurriski; Alamsyah Alamsyah
Indonesian Journal of Mathematics and Natural Sciences Vol 46, No 1 (2023): April 2023
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/ijmns.v46i1.46176

Abstract

Cardiovascular disease (CVD) adalah penyebab signifikan morbiditas dan mortalitas di seluruh dunia. Aritmia menjadi salah satu kondisi yang paling parah dari CVD. Penyakit ini mengacu pada ketidakteraturan denyut atau irama jantung. Penyakit aritmia dapat diidentifikasi melalui rekaman sinyal elektrokardiogram (EKG). Pada penelitian ini, dilakukan data cleaning yang bertujuan untuk menghilangkan missing value pada dataset. Adapun metode yang digunakan untuk klasifikasi adalah Deep Convolutional Neural Network (Deep CNN) dengan arsitektur Conv1D. Oleh karena itu, dilakukan perubahan dimensi input menjadi satu dimensi. Data hasil perubahan dimensi dilanjutkan dengan proses normalisasi data menggunakan metode standar (z-score normalization) dan pembobotan dengan menggunakan WeightedRandomSample. Hal ini dilakukan agar didapatkan keseimbangan data. Selanjutnya, dataset diekstrasi dan diklasifikasikan dengan Deep CNN. Pemilihan Deep CNN dalam ekstraksi fitur karena dapat mengektraksi fitur yang sangat kompleks dari sinyal EKG sehingga dapat mencegah kehilangan informasi-informasi penting pada dataset. Selanjutnya dilakukan evaluasi menggunakan Confusion Matrix. Dari hasil evaluasi Deep CNN dengan arsitektur Conv1D pada deteksi arimtia menghasilkan akurasi 98,88% yang lebih tinggi dari metode sebelumnya.
Klasifikasi Diabetic Retinopathy Menggunakan CNN dengan Arsitektur yang Dimodifikasi Kevyn Alifian Hernanda Wibowo; Alamsyah Alamsyah
Indonesian Journal of Mathematics and Natural Sciences Vol 46, No 1 (2023): April 2023
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/ijmns.v46i1.46172

Abstract

Diabetic Retinopathy (DR), juga dikenal sebagai penyakit mata diabetes, terjadi karena kerusakan pada retina akibat diabetes melitus yang berkepanjangan. DR dapat diklasifikasikan melalui gambar fundus retina. Namun, klasifikasi retinopati diabetik membutuhkan waktu yang tidak sedikit dan belum ada model yang memiliki performa tinggi dalam mengklasifikasikan DR. Tujuan dari penelitian ini mengusulkan model yang diharapkan memiliki tingkat akurasi yang lebih tinggi daripada penelitian sebelumnya. Metode yang digunakan adalah Convolutional Neural Network (CNN). Hasil evaluasi menunjukkan klasifikasi DR menggunakan CNN berarsitektur VGG-16 Net menghasilkan akurasi 96,24% sedangkan klasifikasi DR menggunakan CNN berarsitektur yang dimodifikasi menghasilkan akurasi 96.45%. Pada penelitian ini, akurasi model klasifikasi dapat ditingkatkan dengan menggunakan metode CNN berarsitektur termodifikasi.
Optimalisasi Deteksi Serangan DDoS Menggunakan Algoritma Random Forest, SVM, KNN dan MLP pada Jaringan Komputer Ilham Maulana; Alamsyah Alamsyah
Indonesian Journal of Mathematics and Natural Sciences Vol 46, No 2 (2023): October 2023
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/ijmns.v46i2.48231

Abstract

Distributed denial of service (DDoS) merupakan serangan pada server komputer yang menjadi ancaman serius pada keamanan jaringan komputer. Serangan ini dapat menyebabkan server komputer menjadi down. Untuk mengantisipasi serangan ini secara dini, dapat digunakan berbagai macam metode. Pada penelitian ini digunakan beberapa model algoritma machine learning yaitu random forest, support vector machine, K-nearest neighbor dan multi layer perceptron. Hasil penelitian menunjukkan bahwa algoritma random forest memiliki akurasi sebesar 99,41%, support vector machine menghasilkan akurasi 98,37%, K–nearest neighbor menghasilkan akurasi 99%, dan multi-layer perceptron menghasilkan akurasi 93,97%. Algoritma random forest merupakan metode yang diusulkan terpilih dengan akurasi tertinggi yaitu 99,41%.
Penerapan Model Hibrida CNN-GRU-BiLSTM-PCA Untuk Meningkatkan Akurasi Deteksi Serangan Jaringan Pada Intrusion Detection System Muhammad Iqbal Yoshanda; Alamsyah Alamsyah
Indonesian Journal of Mathematics and Natural Sciences Vol 46, No 2 (2023): October 2023
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/ijmns.v46i2.48204

Abstract

Intrusion detection system merupakan teknik pertahanan yang populer terhadap serangan siber. Berdasarkan metode pendeteksiannya dapat dibedakan menjadi signatured-based dan anomaly-based. Kedua metode tersebut memiliki kelemahan masing-masing, signatured-based memerlukan pemeliharaan database yang mencatat perilaku abnormal yang mahal, memakan waktu dan tidak dapat secara efektif menemukan serangan yang muncul untuk pertama kalinya. Sementara anomaly-based sulit mendapatkan data benchmark yang akurat, tingkat false alarm yang lebih tinggi, dan keterlambatan data benchmark. Pada penelitian ini, dilakukan penerapan model hibrida untuk meningkatkan akurasi deteksi yaitu metode Convolutional Neural Network (CNN) untuk mengekstrak fitur dari dataset, Gated Recurrent Unit (GRU) dan Bidirectional Long Short-Term Memory (BiLSTM) untuk memproses dan memahami informasi lalu lintas jaringan dalam dataset, serta metode Principal Component Analysis (PCA) untuk mereduksi dimensi data. Model hibrida CNN-GRU-BILSTM-PCA berhasil mendapatkan nilai akurasi sebesar 98,34% dan loss sebesar 0,048%. Model hibrida ini merupakan model terbaik di antara model-model penelitian sebelumnya