Kesuksesan startup memiliki peran penting dalam pertumbuhan ekonomi dengan ide bisnis yang baru, inovatif dan dapat menciptakan lapangan pekerjaan. Pertumbuhan startup yang eksponensial dalam beberapa tahun terakhir membuat ketidakpastian dan tingkat kegagalan yang tinggi. Sehingga penting bagi investor untuk dapat memprediksi kesuksesan startup dalam menemukan perusahaan yang memiliki potensi kesuksesan yang lebih besar untuk didanai. Untuk membantu para investor, maka tujuan dari penelitian ini adalah membangun model untuk memprediksi apakah startup yang sedang beroperasi akan sukses atau gagal menggunakan Deep Neural Network (DNN). DNN mengkombinasikan keunggulan deep learning dan neural network untuk memecahkan masalah nonlinear. Proses yang dilakukan adalah menggunakan dataset startup success prediction, kemudian dataset tersebut di pre-processing untuk pengecekan missing value, data duplicate, data outlier serta penentuan atribut berdasarkan korelasi antar variabel. Kemudian, dataset yang sudah di pre-processing dibagi menjadi data training dan data testing. Selanjutnya ditentukan parameter DNN apa saja yang akan digunakan untuk membangun model prediksi menggunakan data training agar tidak mengalami overfitting ataupun underfitting. Model yang dibangun kemudian diuji mengunakan data testing. Hasil pengujian menunjukkan bahwa model prediksi yang diusulkan tidak overfitting ataupun underfitting dan memiliki nilai akurasi sebesar 83,93% dan nilai presisi sebesar 86,51% dalam memprediksi kesuksesan startup.

Deteksi wajah merupakan proses mendasar dan penting dalam bidang pengenalan wajah yang sudah diteliti secara luas. Tujuan deteksi wajah adalah menentukan keberadaan dan menandai posisi wajah, baik pada gambar maupun video, yang disebut dengan bounding box. Salah satu masalah penting dalam deteksi wajah adalah membedakan wajah spoof dan non-spoof yang disebut sebagai deteksi spoofing wajah. Deteksi spoofing wajah merupakan pekerjaan penting yang digunakan untuk menjamin keamanan otentikasi berbasis wajah dan sistem analisis wajah. Oleh karena itu, dibutuhkan sebuah model yang dapat mendeteksi spoofing wajah. Pada makalah ini dilakukan proses membangun model yang dapat digunakan untuk mendeteksi wajah spoof dan non-spoof pada video menggunakan algoritme Faster R-CNN dengan arsitektur Resnet50. Faster R-CNN merupakan salah satu algoritme yang unggul dalam menyelesaikan berbagai persoalan deteksi objek. Dataset yang digunakan adalah Replay-Attack Database yang disediakan oleh Idiap Dataset Distribution Portal. Pada tahap training digunakan 360 video spoof dan non-spoof. Rata-rata nilai akurasi yang dihasilkan pada tahap training adalah 97,07%, dengan jumlah epoch sebanyak 21. Hasil pengujian menunjukkan bahwa model yang dihasilkan berhasil menentukan bounding box dengan akurat dan mendeteksi spoof dan non-spoof wajah pada video dengan efektif.

Distributed Denial of Service Attack (DDoS) adalah serangan dengan mengkompilasi beberapa sistem di internet dengan zombie/agen yang terinfeksi dan membentuk jaringan botnet. Serangan DDoS mengakibatkan kerugian finansial, hilangnya produktivitas, kerusakan merek, penurunan peringkat kredit dan asuransi serta terganggunya hubungan pelanggan, dan pemasok. Selain itu, teknologi IoT juga rentan terhadap serangan DDoS berskala besar. Untuk mencegah terjadinya serangan DDoS maka dibutuhkan model yang dapat mendeteksi adanya serangan DDoS. Pada penelitian ini, kami mengusulkan Deep Q-Network (DQN) untuk mendeteksi serangan DDoS. DQN merupakan algoritme reinforcement learning yang menggabungkan deep learning dan q-learning. Penerapan DQN digunakan untuk meningkatkan akurasi deteksi serangan pada dataset. Pada penelitian ini, dataset yang digunakan untuk mendeteksi adanya serangan DDoS atau tidak adalah CICDDoS2019 dataset yang disediakan oleh Canadian Institute for Cybersecurity. Berdasarkan perbandingan metode yang dilakukan didapatkan hasil metode DQN yang diusulkan dapat mendeteksi 11 serangan DDoS dan benign/normal data dengan nilai akurasi yang lebih baik dibandingan metode LR dan SVR. Hasil penelitian menunjukkan model yang diusulkan memiliki nilai akurasi 96% dan lebih baik dibandingkan metode LR dan SVR.

No abstract

Face non-spoofing detection is an important job used to ensure authentication security by performing an analysis of the captured faces. Face spoofing is the process of fake faces by other people to gain illegal access to the biometric system which can be done by displaying videos or images of someone's face on the monitor screen or using printed images. There are various forms of attacks that can be carried out on the face authentication system in the form of face sketches, face photos, face videos and 3D face masks. Such attacks can occur because photos and videos of faces from users of the facial authentication system are very easy to obtain via the internet or cameras. To solve this problem, in this research proposes a non-spoofing face detection model on video using Faster R-CNN. The results obtained in this study are the Faster R-CNN model that can detect non-spoof and spoof face in real time using the Raspberry Pi as a camera with a frame rate of 1 fps.