diterapkan dalam penelitian ini untuk meningkatkan diagnosis dan prognosis kanker payudara
Sarvestan et al., 2010 memberikan perbandingan antara kemampuan berbagai jaringan saraf dalam diagnosa penyakit kanker payudara. Hasil pengujian menunjukkan
bahwa jaringan saraf efektif untuk digunakan dalam diagnosa penyakit kanker payudara. .
Anunciacao et al., 2010 mengeksplorasi penerapan pohon keputusan untuk mendeteksi kelompok penderita penyakit kanker payudara yang berisiko tinggi,
menggunakan program aplikasi Weka. Hasil menunjukkan bahwa mungkin ditemukan hubungan statistik yang signifikan dengan penyakit kanker payudara dengan menurunkan
pohon keputusan dan memilih daun terbaik. Hasil Penelitian:
Penelitian ini memberikan kajian teknis dan berbagai review tentang diagnosis kanker payudara dan prognosis masalah dan mengeksplorasi bahwa teknis penambangan
data menawarkan janji besar untuk menemukan pola-pola yang tersembunyi dalam data yang dapat membantu dokter dalam pengambilan keputusan
- Neural network NN, pohon keputusan, regresi logistik, dan algoritma genetik
digunakan untuk studi perbandingan dan akurasi dan nilai prediktif positif masing-masing algoritma digunakan sebagai indikator evaluasi.
.
- Akurasi Pohon keputusan 93,6 dan NN dengan 91,2 ditemukan lebih unggul
dari regresi logistik dengan akurasi 89,2. -
Keakuratan NN 88,8 dan Jaringan Hybrid 87,2 sangat mirip dan mereka berdua mengungguli Jaringan Bayesian. Mereka menemukan model Hibrid yang
diusulkan juga dapat berguna untuk mengambil keputusan.
3.3.3 Penelitian dalam bidang Internet
Bermolen et al.,, 2008 melakukan penelitian penggunaan SVR support vector regression untuk prediksi link beban dengan menggunakan model Moving Average
MA dan Auto Regresif AR. Hal ini cukup diterima dengan baik bahwa, sebagai akibat dari layanan jaringan
dan evolusi aplikasi internet, lalu lintas jaringan menjadi semakin kompleks. Di satu sisi, transportasi jaringan ditantang oleh konvergensi saat ini tren suara video layanan data
Universitas Sumatera Utara
pada semua jaringan IP, dan oleh fakta bahwa pengguna-mobilitas kemungkinan akan menerjemahkan ke layanan mobilitas juga. Di sisi lain, ledakan aplikasi internet
telephon, televisi dan game menyiratkan bahwa kita mungkin dipaksa untuk berpikir ulang apa yang kita maksud oleh lalu lintas data. Selain itu, penggunaan luas dari aplikasi
lapisan lapisan langsung diterjemahkan menjadi jauh lebih tinggi variabilitas dari lalu lintas data disuntikkan ke jaringan.
Dalam penelitian ini, mempertanyakan apakah variabilitas tersebut dapat diperkirakan secara efisien, dan jika demikian, dengan apa tingkat akurasinya.
Teknik prediksi diawasi yang dipilih yaitu Support Vector Machines SVM, satu set klasifikasi dan regresi teknik, diperkenalkan pada awal tahun sembilan puluhan
[1], yang didasarkan dalam rangka pembelajaran teori statistik. Pada dasarnya, Support Vector Regression SVR menggunakan data pelatihan untuk membangun model prediksi
yang bekerja dengan baik dalam situasi pembelajaran karena generalisasi untuk data tak terlihat dan setuju untuk online terus menerus dan pembelajaran adaptif, properti yang
sangat diinginkan dalam lingkungan jaringan. Awalnya terikat pada pengenalan konteks karakter optik, penggunaan SVM
dengan cepat menyebar ke bidang lainnya, termasuk prediksi time series Muller et al., 1999 dan, baru-baru ini, jaringan. Termotivasi dengan mendorong seperti hasilnya,
penelitian ini fokus pada perkiraan beban link yang hanya didasarkan pada pengukuran masa lalu, menyusul pendekatan yang dikenal sebagai proses tertanam proses Masalah
ini sangat menarik dalam jaringan untuk kedua perencanaan kapasitas dan manajemen aplikasi misalnya pengadaan bandwidth, masuk kontrol, memicu mekanisme
backpressure, dan lain lain. Meskipun pendekatan SVM cocok juga untuk rentang waktu lebih lama, yang
lebih perhatian untuk kapasitas perencanaan, dalam makalah ini kita fokus pada estimasi beban variasi pada skala waktu pendek: mengadopsi pendekatan tangan untuk regresi
SVM, mengevaluasi efektivitas SVR untuk perkiraan beban dengan menjelajahi link yang agak ekstensif dari parameter dan ruang desain. Tujuan penelitian adalah:
pertama, kita ingin mengevaluasi akurasi SVM dan ketahanan dan, kedua, kami ingin memberikan wawasan berguna tuning parameter SVM, aspek
yang tidak selalu jelas dalam pekerjaan sebelumnya. Membandingkan kinerja dengan
Universitas Sumatera Utara
yang dicapai dengan menggunakan Moving Average dan
Auto-Regresif Model: hasil kami menunjukkan bahwa, meskipun sesuai baik
dengan data aktual, SVR keuntungan dicapai selama metode prediksi yang sederhana tidak cukup untuk membenarkannya penyebaran untuk prediksi link yang load pada skala
waktu pendek. Namun, SVR mempunyai sejumlah aspek sangat positif aspek: misalnya, model
SVR agak kuat untuk Parameter variasi, dan kompleksitas komputasi jauh dari yang mahal, yang membuat cocok untuk prediksi secara online. Selain itu, memverifikasi
eksperimental bahwa kesalahan dihitung selama sampel berturut-turut adalah independen dan terdistribusi secara identik, yang memungkinkan evaluasi
interval. Akhirnya, penelitian ini juga menyelidiki metode untuk memperpanjang cakrawala perkiraan menggunakan nilai yang diprakirakan sebagai masukan untuk
prediksi baru: pendekatan ini SVR rekursif secara signifikan dapat memperpanjang cakrawala perkiraan yang dicapai dan melibatkan hanya sangat akurasi degradasi tebatas.
Teknik peramalan merencanakan untuk mengevaluasi penelitian ini jatuh di kelas SVM meskipun keberadaannya relatif singkat, literatur dari SVM sudah penuh sesak
nafas. Pada saat yang sama, sementara penggunaan SVM untuk klasifikasi relatif lebih populer dalam penelitian jaringan, terutama dalam konteks anomali dan deteksi intrusi,
penggunaan SVM untuk regresi sebagian besar belum diselidiki. Untuk pengetahuan yang terbaik, yang hanya bekerja mengeksplorasi penggunaan teknik SVR di bidang
jaringan adalah. TCP throughput yang diprediksi pada path yang diberikan adalah objek, dimana perkiraan didasarkan pada kombinasi sifat jalan seperti sebagai antrian
penundaan dan bandwidth yang tersedia dan pada kinerja dari file sebelum transfer juga. Penelitian menunjukkan bahwa ketika sifat jalan yang diketahui secara tepat
misalnya, ketika disediakan oleh oracle, SVR mampu memprediksi TCP throughput yang dalam 10 dari nilai aktual di 90 kasus yang mewakili
peningkatan hampir 3 kali lipat dalam akurasi atas metode berbasis sejarah sebelumnya. Juga, dalam skenario yang lebih realistis dan menggunakan pengukuran kurang akurat
sifat jalan misalnya, dikumpulkan dengan cara probe aktif, prediksi dapat dibuat dalam 10 dari nilai yang sebenarnya hampir 50 dari waktu - yang masih merupakan
peningkatan 60, dengan selanjutnya jauh lebih rendah berdampak pada end-to-end
Universitas Sumatera Utara
jalan. Berfokus pada prediksi latency ke alamat IP yang tidak diketahui, berdasarkan latency pengetahuan arah lain alamat IP yang sebelumnya dihubungi. Menggunakan
sebagai fitur vektor input bit alamat IP Berubah menjadi ruang input 32 dimensi, dimana setiap bit alamat sesuai dengan dimensi yang berbeda, menunjukkan bahwa
kinerja estimasi dalam 30 dari nilai sebenarnya selama kurang lebih tiga perempat dari prediksi latency pada set data internet yang besar. Lebih rinci, regresi SVM pada acak
yang besar dikumpulkan data set 30.000 IP, latency pasangan, menghasilkan prediksi berarti kesalahan 30 ms 25 ms hanya menggunakan 6 20 dari sampel untuk
pelatihan. Dalam konteks regresi SVM, masalah peramalan nilai masa depan dari seri hanya
didasarkan pada pengamatan sebelumnya dari fenomena yang sama dikenal sebagai Embedding proses . Namun, penerapannya yang biasanya selain konteks jaringan
ditargetkan domain, dan seri yang SVR telah berjalan sampai sekarang sangat jauh berbeda dari yang mewakili kedatangan paket proses pada antrian router: dengan
demikian, tujuan penelitian adalah untuk menguji apakah SVR dapat membuktikan menjadi alat yang berguna juga untuk menghubungkan perkiraan beban.
Rastegari et al., 2010 melakukan penelitian dalam mengatasi serangan Denial of Service DOS terhadap Domain Name System DNS dengan teknik Machine Learning.
DNS Orisinalitas dirancang berdasarkan sebuah protokol pengiriman dapat diandalkan bernama User Datagram Protocol UDP dan keamanan DNS yang bukan
masalah besar pada titik waktu karena desain asli cukup untuk memenuhi kebutuhan Internet. Saat ini, DNS telah menjadi layanan penting untuk operasi Internet dan dari
setiap jaringan pribadi dengan ukuran tertentu, jadi ini adalah waktu untuk mengamankan sistem DNS dari akses yang tidak sah.
Tujuan pertama dari makalah ini adalah untuk mengevaluasi berbagai jenis serangan DoS terhadap DNS. Mengidentifikasi pola serangan ini membawa kita untuk
menghasilkan data yang dibutuhkan untuk skenario serangan yang berbeda melalui simulasi dengan memvariasikan parameter yang berbeda. Dua dari serangan DoS yang
paling umum terjadi terhadap DNS adalah tipe serangan DoS langsung dan amplifikasi serangan. Dalam penyerang pertama mencoba untuk membanjiri server dengan
Universitas Sumatera Utara
mengirimkan lalu lintas yang berlebihan dari sumber tunggal atau ganda. Oleh karena itu, akan menyebabkan sejumlah besar paket permintaan yang akan diterima oleh server
nama target. Server nama dibanjiri oleh serangan DoS akan mengalami packet loss dan tidak dapat selalu merespon setiap permintaan DNS. Referensi [3], poin ukuran paket
aliran data DNS adalah kecil dan ini kesamaan dengan paket anomali membuat proses deteksi lebih sulit.
Di sisi lain, penyerang membangun jenis yang paling canggih dan modern dari serangan DoS dikenal sebagai serangan amplifikasi untuk meningkatkan efek serangan
DoS yang normal. Alasan bahwa jenis serangan bernama amplifikasi adalah bahwa penyerang memanfaatkan fakta bahwa permintaan kecil dapat menghasilkan paket UDP
yang jauh lebih besar dalam menanggapi. Saat ini, DNS protokol RFC 2671 digunakan oleh penyerang untuk memperbesar faktor amplifikasi. Misalnya 60 byte DNS
permintaan dapat dijawab dengan jawaban lebih dari 4000 byte. Ini menghasilkan faktor amplifikasi lebih dari 60. Beberapa peneliti telah mempelajari efek dari serangan
amplifikasi tercermin. Berdasarkan analisis mereka, pola serangan ini mencakup sejumlah besar paket yang tidak standar lebih besar dari ukuran paket DNS standar yang
512 byte. Ada beberapa upaya untuk mengusulkan solusi untuk mempertahankan DNS terhadap serangan tersebut, tetapi menurut pengetahuan kami, tidak ada sistem deteksi
yang spesifik untuk ancaman Denial of Service DoS terhadap DNS. Ketika mengakses ke lingkungan yang nyata untuk simulasi lalu lintas adalah
kuat, penelitian ini memanfaatkan kekuatan simulator jaringan. Menurut pengetahuan peneliti, tidak ada dataset yang dihasilkan tersedia untuk serangan DoS terhadap DNS.
Oleh karena itu, digunakan simulasi untuk menghasilkan data yang dibutuhkan untuk percobaan. Pensimulasian model digunakan program OTcl di NS-2 versi 2.28. Hal ini
digunakan untuk model yang berbeda Penelitian ini menyajikan sistem deteksi serangan baru untuk DoS terhadap DNS,
yang menggunakan mesin pembelajaran untuk mendeteksi dan mengklasifikasikan serangan. IDS adalah jaringan-simpul berbasis IDS NNIDS, yang dapat
diimplementasikan pada server nama untuk tujuan deteksi serangan. DoS
Penelitian ini telah memperkenalkan dua jenis serangan DoS terhadap DNS yang langsung dan serangan DoS amplifikasi. Penyelidikan dari dampak serangan DoS
Universitas Sumatera Utara
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
