Syauqi, Frinaldi Muhammad (2025) Implementasi model BART (Bidirectional Auto-Regressive Transformers) dalam mendeteksi anomali pada log file server. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text (COVER)
1_cover.pdf - Cover Image Download (154kB) | Preview |
|
|
Text (ABSTRAK)
2_abstract.pdf Download (159kB) | Preview |
|
|
Text (SK BEBAS PLAGIARISME)
3_skbebasplagiarism.pdf Download (2MB) | Preview |
|
|
Text (DAFTAR ISI)
4_daftar_isi.pdf Download (151kB) | Preview |
|
|
Text (BAB I)
5_bab_1.pdf Download (244kB) | Preview |
|
![[img]](https://digilib.uinsgd.ac.id/style/images/fileicons/text.png) |
Text (BAB II)
6_bab_2.pdf Restricted to Registered users only Download (462kB) | Request a copy |
|
|
Text (BAB III)
7_bab_3.pdf Restricted to Registered users only Download (1MB) | Request a copy |
|
|
Text (BAB IV)
8_bab_4.pdf Restricted to Registered users only Download (3MB) | Request a copy |
|
|
Text (BAB V)
9_bab_5.pdf Restricted to Registered users only Download (169kB) | Request a copy |
|
|
Text (DAFTAR PUSTAKA)
10_daftarpustaka.pdf Restricted to Registered users only Download (161kB) | Request a copy |
|
|
Text (LAMPIRAN)
11_lampiran.pdf Restricted to Repository staff only Download (317kB) | Request a copy |
Abstract
Meningkatnya kompleksitas sistem komputer membuat deteksi anomali pada log file menjadi krusial untuk menjaga keamanan dan keandalan. Namun, tugas ini dihambat oleh volume data yang besar dan format yang tidak terstruktur. Penelitian ini mengusulkan implementasi model Bidirectional Auto-Regressive Transformers (BART), sebuah arsitektur transformer yang menggabungkan encoder dua arah dan decoder auto-regresif, yang potensinya belum pernah diuji untuk tugas pendeteksian anomali log. Penelitian ini menggunakan metode fine-tuning pada model BART untuk tugas klasifikasi sekuens (sequence classification) dengan menggunakan dataset publik HDFS, BGL, dan Thunderbird. Model yang dihasilkan juga diterapkan dalam rancangan prototipe aplikasi untuk mengunggah log dan menampilkan hasil deteksi anomali. Hasil evaluasi menunjukkan performa yang tinggi, dengan F1-Score sebesar 0,997 pada dataset HDFS, 0,989 pada BGL, dan 0,980 pada Thunderbird, terutama pada skenario pembagian data 70:30. Berdasarkan perbandingan referensial dengan LogBERT dan LogGPT, BART memperoleh F1-Score lebih tinggi pada dataset HDFS dan BGL serta menunjukkan performa yang kompetitif pada Thunderbird. Hasil tersebut menunjukkan bahwa BART mampu mempelajari pola kontekstual pada sequence log dan mendeteksi anomali dengan tingkat presisi yang tinggi.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Uncontrolled Keywords: | Deteksi Anomali; Log File Server; Natural Language Processing (NLP); BART; Transformer; Deep Learning |
| Subjects: | Data Processing, Computer Science Special Computer Methods > Artificial Intelligence |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Informatika |
| Depositing User: | Frinaldi Muhammad Syauqi |
| Date Deposited: | 16 Oct 2026 08:33 |
| Last Modified: | 16 Oct 2026 08:33 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/144376 |
Actions (login required)
 |
View Item |
