terhadap lalu lintas DNS mendorong untuk menemukan perilaku yang mencurigakan. Berdasarkan pola-pola lalu lintas data yang diperlukan untuk analisis pengukuran adalah
simulasi menggunakan simulator jaringan yang paling fleksibel, NS-2. Akhirnya, model mesin pembelajaran berbasis diusulkan untuk mendeteksi dan mengklasifikasikan
serangan DoS terhadap DNS menggunakan statistik lalu lintas. Dua algoritma pembelajaran mesin yang berbeda dievaluasi untuk mesin detektor yang mengklasifikasi
jaringan saraf dan SVM. Untuk menemukan classifier yang optimal, tiga dari jaringan saraf yang terbaik dilakukan untuk deteksi dan klasifikasi dalam sistem deteksi intrusi
diselidiki. Pengklasifikasi ini dibandingkan dengan metode mesin pembelajaran lain yang modern, SVM dalam hal tingkat deteksi, akurasi, dan tingkat alarm palsu. Hasil
perbandingan menunjukkan bahwa jaringan saraf propagasi kembali performanya melebihi pengklasifikasi lain dengan tingkat deteksi 99,55 untuk serangan DoS
langsung, 97,82 tingkat deteksi untuk serangan amplifikasi, akurasi 99, dan 0,28 tingkat alarm palsu. Masa Depan kerja akan mempelajari jenis lain ancaman keamanan
terhadap DNS. Menyediakan semua pola arus lalu lintas akan membantu untuk menyelidiki fitur yang diperlukan untuk mendeteksi semua bentuk serangan terhadap
DNS. Bidang lain pekerjaan di masa depan akan mengimplementasikan model yang diusulkan dalam lingkungan yang nyata yang dapat menyelidiki perbaikan yang
diperlukan dalam model seperti waktu pemantauan.
3.3.4 Penelitian dalam bidang Musik
Han et al., 2009 melakukan penelitian pengenalan emosi musik menggunakan support vector regression. Emosi musik memainkan peran penting dalam menentukan
jenis musik, deteksi mood dan aplikasi yang berhubungan dengan musik lainnya. Berbagai masalah untuk pengenalan musik emosi telah ditangani oleh berbagai disiplin
ilmu seperti fisiologi, ilmu psikologi, kognitif dan musikologi. Penyajikan sebuah support vector regression SVR musik berdasarkan sistem pengenalan emosi
Dengan kemajuan terbaru di bidang informasi musik, muncul minat untuk menganalisis dan memahami isi emosional musik. Karena keragaman dan kekayaan
konten musik, banyak peneliti telah mengejar topik penelitian di bidang ini, mulai dari ilmu pengetahuan komputer, pengolahan sinyal digital, matematika, dan statistik
.
Universitas Sumatera Utara
diterapkan untuk musik dan psikologi. Banyak ilmuwan komputer Birmingham et al., 2006 telah berfokus pada pengambilan musik dengan menggunakan musik meta-data
seperti judul, genre atau suasana hati serta analisis fitur tingkat rendah seperti pitch, tempo atau irama, sementara psikolog musik Lie et al., 2006 telah tertarik dalam
mempelajari bagaimana emosi musik berkomunikasi. Saat ini, tidak ada metode standar untuk mengukur dan menganalisis emosi dalam musik. Namun, psikologis model emosi
telah menemukan meningkatnya penggunaan dalam komputasi studi. Thayer dua dimensi Model emosi Thayer, 1989 menawarkan sebuah model sederhana namun cukup efektif
untuk menempatkan emosi dalam ruang dua dimensi. Dalam model, jumlah gairah dan valensi diukur masing-masing sepanjang sumbu vertikal dan horizontal. Tujuan dari
makalah ini adalah untuk mengembangkan emosi musik pengakuan sistem untuk memprediksi gairah dan valensi sebuah lagu yang didasarkan pada konten audio.
Pada penelitian ini menganalisis tujuh fitur musik yang berbeda seperti pitch, kenyaringan tempo, tonality, kunci, ritme dan harmonik dan dipetakan
ke dalam sebelas kategori emosi: marah, bosan, tenang, senang, bahagia, gugup, damai, senang, santai, sedih dan mengantuk. Kategorisasi ini didasarkan pada teori Juslin dan
Sloboda 2001 bersama dengan model emosi Thayer emosi Thayer, 1989. Kedua, mengadopsi SVR sebagai classifier untuk melatih dua fungsi regresi untuk memprediksi
gairah dan nilai-nilai valensi berdasarkan fitur tingkat rendah, seperti pitch, ritme dan tempo, diekstrak dari musik. Selain itu, kami membandingkan metode SVR dengan
algoritma klasifikasi lain seperti GMM Gaussian Mixture Model dan SVM Support Vector Machine untuk mengevaluasi kinerja.
Banyak peneliti telah mengeksplorasi model emosi dan faktor yang menimbulkan persepsi emosi dalam musik. Juga banyak peneliti lain menyelidiki masalah otomatis
mengenali emosi dalam musik. Suasana tradisional dan penelitian emosi dalam musik telah difokuskan untuk menemukan faktor-faktor psikologis dan fisiologis bahwa emosi
mempengaruhi pengakuan dan klasifikasi. Selama tahun 1980-an, beberapa model emosi yang diusulkan, yang sebagian besar didasarkan pada pendekatan dimensi untuk rating
emosi. Pendekatan berfokus pada identifikasi dimensi emosi berdasarkan lokasi mereka
pada sejumlah kecil dimensi seperti valensi dan aktivitas. Russell 1980
Universitas Sumatera Utara
Model sirkumfleksa memiliki dampak yang signifikan pada penelitian emosi. Model ini mendefinisikan dua dimensi, struktur melingkar melibatkan dimensi aktivasi dan valensi.
Dalam struktur ini, emosi yang di lingkaran dari satu sama lain, seperti kesedihan dan kebahagiaan, berkorelasi terbalik. Thayer 1989 mengusulkan model emosi dua dimensi
yang sederhana namun kuat dalam mengatur tanggapan emosi yang berbeda: stres dan energi. Dimensi stres disebut valensi sedangkan dimensi energi yang disebut gairah.
Salah satu dari studi pertama deteksi emosi dalam musik disajikan oleh Feng et al. 2003. Mereka bekerja, berdasarkan Komputasi Media Estetika CMA, analisis dua
dimensi tempo dan artikulasi yang dipetakan menjadi empat kategori mood: kebahagiaan, marah, sedih dan ketakutan. Lie et al., 2006 mengembangkan suatu kerangka hirarkis
untuk mengekstraksi emosi musik otomatis dari data musik akustik. Mereka menggunakan intensitas musik untuk mewakili dimensi energi model Thayer, dan timbre
dan ritme untuk dimensi stres. FEELTRACE Cowie, 2000 adalah perangkat lunak yang dirancang untuk membiarkan pengamat melacak isi emosional rangsangan seperti kata-
kata, wajah, musik, dan video mereka merasakan dan memperhitungkan penuh gradasi dan variasi dari waktu ke waktu. Yang 2008 mengembangkan pengakuan emosi musik
MER sistem dari perspektif yang terus menerus dan mewakili setiap lagu sebagai titik di bidang emosi. Mereka juga mengusulkan gairah baru valensi perhitungan metode
yang didasarkan pada teori regresi. Dataset musik untuk pelatihan terdiri dari 165 lagu pop barat. Penelitian ini
mengumpulkan 15 lagu dalam masing-masing sebelas kategori emosi dari musik besar database, Semua Panduan Musik, yang menyediakan 180 emosional kategori untuk
mengklasifikasikan seluruh lagu. Untuk membangun pengklasifikasi kami menggunakan SVR dan implementasi didasarkan pada LIBSVM di perpustakaan Chung et al., 2001,
yang memberikan fungsi hampir penuh untuk pelatihan SVR. Dalam penelitian ini, pengakuan emosi musik otomatis telah dievaluasi
menggunakan klasifikasi mesin pembelajaran dengan berbagai algoritma seperti SVM, SVR dan GMM. dalam percobaan, terlihat bahwa klasifikasi berbasis SVR
dalam sistem koordinat polar sangat meningkatkan akurasi pengakuan emosi dari 63,03 menjadi 94,55. Namun, klasifikasi GMM dengan kutub koordinat hanya meningkat
dari 91,52 menjadi 92,73. Untuk penelitian lebih lanjut, lebih banyak fitur persepsi
Universitas Sumatera Utara
harus dipertimbangkan dan algoritma klasifikasi lain seperti fuzzy dan kNN k-Nearest Neighbour. Juga berencana untuk membandingkan hasil mesin pembelajaran ML
berdasarkan emosi pengakuan dengan gairah yang dilakukan manusia valensi data.
3.3.5 Penelitian dalam bidang Time Series
