Halo semua kembali lagi dengan saya, pada kesempatan kali ini saya mau membagi ilmu bagaimana membuat visualisasi animasi ggplot2 di program R.
ggplot2 adalah package dari program R yang biasanya digunakan untuk menvisualisasikan data. Sebelumnya saya akan menjelaskan sedikit apa itu data visualisasi? Data visualisasi adalah sebuah teknik untuk menyajikan data secara visual melaui grafik, chart, peta agar tampilan menarik, jadi tujuannya untuk mengkomunikasikan informasi secara jelas kepada pengguna lewat visualisasi. Langsung aja ya ketutorialnya.
Halo semua, pada kesempatan ini saya mau berbagi ilmu yaitu “bagaimana cara menganalisis website yang mempunyai kelemahan dengan metode penetrasi?”.Sebelumnya sudah tahu apa itu metode penetrasi? kalau belum saya akan menjelaskan apa itu metode penetrasi.
“Metode penetrasi adalah metode komprehensif untuk menguji dasar komputasi yang lengkap, terpadu, operasional,dan terpercaya yang terdiri dari perangkat keras, perangkat lunak dan manusia. Proses ini melibatkan analisis aktif sistem untuk setiap potensi kerentanan, termasuk konfigurasi sistem yang buruk atau tidak tepat, kelemahan hardware dan software, dan kelemahan operasional dalam proses atau penanggulangan teknis.”
Dalam melakukan pengujian saya menggunakan OS (Operating System) menggunakan dari KALI LINUX, karena OS ini menurut saya sangat simple dan mudah dan tools maupun aplikasinya sudah ada terinstall, bagi kalian yang menggunakan OS WINDOWS masih bisa dijalankan dengan CMD untuk menginstall software BinGoo, Sqlmap, Wpscan,dll. dan untuk data website yang memiliki kelemahan disini di pencarian google.
Sebelum melakukan pengujian ada beberapa yang harus disiapkan yaitu:
Software BinGoo yaitu berguna mencari website yang memiliki kelemahan di pencarian google maupun Bing
Google Dorking yaitu mencari target website yang memiliki kelemahan.
Software SQLmap yaitu untuk mendeteksi website tersebut memiliki kelemahan apa tidak.
Jika kalian sudah punya semua yang diperlukan langsung saja kita menganalisis website yang memiliki kelemahan, kalau kurang paham bagaimana cara memasang software BinGoo link video ada dibawah.
Software BinGoo
Di software binGoo memiliki 6 fitur, disini saya menggunakan fitur nomor 1 karena mau melakukan pencarian di google. untuk dork saya menggunakan “inurl:php?id=”
Ada 3 cara untuk membuat dorking sendiri yaitu
inurl : merupakan website yang ingin dituju
Intext : kata — kata yang tujukan
Site : Alamat negara yang dituju
Setelah melakukan pencarian di google maka akan muncul data website yang kemungkinan memiliki kerentanan di notepad.
Dan ternyata dalam melakukan Pengujian website tersebut terdapat server error yang bertulis Fatal error: Call to a member function on a non-objectin/www/ems/mpacms/mercury/doc-root/common/getitem.php on line 187. Untuk melakukan pengujian bisa memberikan tanda petik satu (‘). Selanjutnya pengecekan melalui software sqlmap.
Sqlmap
Untuk melakukan pengujian website yang sudah memliki kerentanan dengan sqlmap maka format tulisan yaitu :
dbs yang berarti mencari database website tersebut
Pengujiian
Pada proses pengujian di kali linux dengan menggunakan sqlmap terdapat bug database yang error di bagian Boolean-based blind sehinggaKerentanan website ini termasuk low level bug.
Pada gambar diatas menunjukan bahwa website tersebut memiliki celah database yang kemungkinan bisa diserang oleh attacker dan berikut tabel database yang didapatkan
Available database [5]
· bible_glossary
· bibble_history
· information_schema
· keywords
· kidsdict
Untuk melakukan pengecekan database pada website tersebut dapat dilakukan dengan format tulisan
Pada gambar diatas didapat 5 kolom dari tabel admin dan database keywords yaitu
User
Email
Id
Pass
Rissiplerg
ANALISA PENGUJIAN
Setelah melakukan metode penestrasi dengan menggunakan sqlmap pada pengujian website acupuncturetoday.com terdapat kerentanan yang tergolong kategori tinggi sehingga attacker bisa mengetahui semua data database yang ada di website seperti database admin, project,dll. dengan menggunakan metode penetrasi dan untuk mengatasi kerentanan website ini dilakukan dengan pembersihan file junk yang error atau clean up database.
Mungkin itu saja yang bisa saya berikan, kalau ada kesalahan atau kekurangan saya mohon maaf ini hanyalah untuk pembelajaran, jika ada kurang dimengerti silahkan komentar. Terima Kasih
Neural Network dapat dianalogikan sebagaimana halnya manusia belajar dengan mengunakan contoh atau yang disebut sebagai supervisedlearning. Sebuah Neural Network dikonfigurasi untuk aplikasi tertentu, seperti pengenalan pola atau klasifikasi data, dan kemudian disempurnakan melalui proses pembelajaran. Proses belajar yang terjadi dalam sistem biologis melibatkan penyesuaian koneksi sinaptik yang ada antara neuron, dalam halnya pada Neural Network penyesuaian koneksi sinaptik antar neuron dilakukan dengan menyesuaikan nilai bobot yang ada pada tiap konektivitas baik dari input, neuron maupun output
Layer Neural Network
Pada layar pertama bekerja sebagai input data yang masuk kedalam system yang terdapat pada layer input selalu terhubung dengan setiap neuron.
Pada layar kedua bekerja sebagai hidden layer Neuron ini akan dikelompokkan ke dalam beberapa layer. Neuron yang terdapat pada tiap layer dihubungkan dengan neuron pada layer lainnya. Hal ini tentunya tidak berlaku pada layer input dan output, tapi hanya layer yang berada di antaranya. Informasi yang diterima di layer input dilanjutkan ke layer-layer secara satu persatu hingga mencapai layer terakhir/layer output. Layer yang terletak di antara input dan output .
Fungsi aktivasinya. Gambar di atas menjelaskan struktur secara mendasar,
Input, berfungsi seperti dendrite
Output, berfungsi seperti akson
Fungsi aktivasi, berfungsi seperti sinapsis
Neural network dibangun dari banyak node/unit yang dihubungkan oleh link secara langsung. Link dari unit yang satu ke unit yang lainnya digunakan untuk melakukan propagasi aktivasi dari unit pertama ke unit selanjutnya. Setiap link memiliki bobot numerik. Bobot ini menentukan kekuatan serta penanda dari sebuah konektivitas.
STRIDES DAN PADDING
Strides adalah sebuah kotak gambar yang memiliki kotak-kotak kecil untuk komputer membaca gambar. Pada dasarnya komputer membaca kotak gambar dari kiri ke kanan dan dari atas ke bawah. Oleh karena itu dimulai dari sudut kiri atas sampai ke sudut kanan bawah. Selain itu, ia membaca gambar dengan ukuran yang pasti.
Padding adalah lapisan untuk menambahkan piksel ekstra di luar gambar. seperti pada gambar dibawah ini
Jika zero padding = 1, akan ada tebal satu piksel di sekitar gambar asli dengan nilai piksel = 0. Setiap kali menggunakan filter untuk memindai gambar maka ukuran gambar akan semakin kecil.
Fungsi aktivasinya. Gambar di atas menjelaskan struktur secara mendasar,
Input, berfungsi seperti dendrite
Output, berfungsi seperti akson
Fungsi aktivasi, berfungsi seperti sinapsis
POOLING LAYER
Pooling layer biasanya berada setelah conv. layer. Pada prinsipnya pooling layer terdiri dari sebuah filter dengan ukuran dan stride tertentu yang akan bergeser pada seluruh area feature map.
BACKPROPAGATION
Backpropagation merupakan salah satu bagian dari Neural Network. Backpropagation merupakan metode pelatihan terawasi (supervised learning), dalam artian mempunyai target yang akan dicari. ciri dari Backpropagation adalah meminimalkan error pada output yang dihasilkan oleh jaringan. dalam metode backpropagation, biasanya digunakan jaringan multilayer.
Jaringan multilayer yang dimaksud adalah layer yang terdiri dari input layer (layer masukan), hidden layer (layer tersembunyi), output layer (layer keluaran). Dalam pengembangannya, hidden layer dapat terdiri dari satu atau lebih unit hidden layer.
Pada gambar, diperlihatkan arsitektur jaringan backpropagation dengan satu unit hidden layer. Xi adalah unit input layer, Zj adalah unit hidden layer, dan Yk adalah unit output layer. Setiap unit memiliki bobotnya masing-masing. Vij adalah bobot dari unit input layer ke unit hidden layer dan Wjk adalah bobot dari unit hidden layer ke unit output layer.
Akurasi Uji
Akurasi didefinisikan sebagai persentase dari data uji yang diklasifikasikan ke kelas yang benar. Akurasi dapat dinyatakan dalam persamaan berikut.
Halo semua kembali lagi dengan saya, pada kesempatan ini saya mau berbagi ilmu sedikit yang baru saya pelajari yaitu tentang klarifikasi gambar twitter dan traveloka dengan menggunakan CNN.
Sebelumnya seperti biasa udah pada tahu belum tentang Image Classification? Terus CNN itu apa? Kalau belum tau, saya akan menjelaskan sedikit tentang Image Classification. Image Classification yaitu membedakan antara gambar pertama maupun gambar kedua dan pasti kita juga bingung dengan membedakan kedua logo twitter dan traveloka karena kalau di lihat dari sekilas itu hampir mirip dari segi warna maupun gambar burung yang hanya terbalik arahnya. Disini saya menggunakan CNN atau Convolutional Neural Network yaitu salah satu jenis neural network yang biasa digunakan pada data image. CNN bisa digunakan untuk mendeteksi dan mengenali object pada sebuah image. Secara garis besar CNN tidak jauh beda dengan neural network biasanya. Oke kita langsung aja langkah-langkanya
Langkah pertama install dulu library
Library(keras)
Library(tensorflow)
Library(EBImage)
Langkah kedua cari lokasi data gambar dan hasil gambar di simpan.
setwd(“D://image”) #Lokasi gambar disimpan
save_in<-(“E://hasil”) # Lokasi hasil proses gambar
Langkah Ketiga menyamakan ukuran gambar
gambar<-list.files()
w<-100
h<-100
for (i in 1:length(gambar)) {result<-tryCatch({ imgname<-gambar[i] img<-readImage(imgname) img_resized<-resize(img,w=w,h=h) path<-paste(save_in,imgname,sep=” “) writeImage(img_resized,path,quality=70) print(paste(“done”,i,sep=””)) }, error=function(e){print(e)} )}
Langkah selanjutnya mengidentifikasi gambar baris pertama dan kedua untuk membedakan antara gambar twitter dan gambar traveloka dengan menggunakan sebagai training dan testing. dengan perbandingan 3:1 .
Untuk regularisasi pada node yang punya nilai kecil tidak akan diteruskan/dikerjakan
layer_dropout(rate=0.01) %>% #untuk regularisasi pada node yang punya nilai kecil tidak akan diteruskan/dikerjakan layer_conv_2d(filters = 64, kernel_size = c(3,3), activation = “relu”)%>% layer_max_pooling_2d(pool_size = c(2,2))%>% layer_dropout(rate=0.01) %>%
for (i in 1:length(gambar)) {result<-tryCatch({ imgname<-gambar[i] img<-readImage(imgname) img_resized<-resize(img,w=w,h=h) path<-paste(save_in,imgname,sep=” “) writeImage(img_resized,path,quality=70) print(paste(“done”,i,sep=””)) }, error=function(e){print(e)} )}
setwd(“D://image/”) gambar2<-list.files() gambar2
gambar2<-lapply(gambar2,readImage) str(gambar2) display(gambar2[[3]]) #melihat gambar dim(gambar2[[3]])
train<-gambar2[c(1:6,9:14)] test<-gambar2[c(7:8,15:16)] #### train[[5]] display(train[[5]]) write.csv(train[[5]],”D://image//datatrain.csv”) display(train[[2]]) #### par(mfrow=c(2,4)) for (i in 1:12) plot(train[[i]])
for (i in 1:12){train[[i]]<-resize(train[[i]],32,32)} for(i in 1:4){test[[i]]<-resize(test[[i]],32,32)}
model=keras_model_sequential() model%>% layer_conv_2d(filters=32, kernel_size = c(3,3), activation = “relu”, input_shape = c(32,32,3))%>% #relu=rectivied linear unit. mengambil nilai tertinggi untuk aktivasi layer_conv_2d(filters = 32, kernel_size = c(3,3), activation = “relu”)%>% layer_max_pooling_2d(pool_size = c(2,2))%>% layer_dropout(rate=0.01) %>% #untuk regularisasi pada node yang punya nilai kecil tidak akan diteruskan/dikerjakan layer_conv_2d(filters = 64, kernel_size = c(3,3), activation = “relu”)%>% layer_max_pooling_2d(pool_size = c(2,2))%>% layer_dropout(rate=0.01) %>% layer_flatten()%>% #merubah menjadi vektor layer_dense(units=256, activation = “relu”)%>% layer_dropout(rate=0.01) %>% layer_dense(units=3,activation = “softmax”)%>% #unit=banyak objek yg akan di klasifikasi, softmax=hampir mirip dgn relu compile(loss=”categorical_crossentropy”, optimizer = optimizer_sgd(lr=0.01, decay = 1e-06, momentum = 0.9, nesterov=T), metrics=c(‘accuracy’))#sgd=stokastik gladiand descend (secara stokastik random memilih mana yg dengan cepat menuju global optimum) summary(model)
Halo semua, kali saya mau membagikan tutorial bagaimana membuat image recognition dengan thuankable, sebelumnya sudah tahu belum tentang image recognition? Kalau belum tau saya akan menjelaskan sedikit apa itu Image Recognition. Image recognition adalah proses identifikasi dan pendeteksian sebuah objek atau fitur di dalam sebuah gambar digital atau video. Disini saya menggunakan dari thunkable yang dimana pembuatan aplikasi ini menggunakan Tools IDE open source sama seperti App Inventor. Dan sampai saat ini penyedia pembuatan aplikasi IOS + Android thunkable satu-satunya aplikasi yang bisa membuat sekaligus 2 Operating System (OS). Oke lanjut ke tutorialnya.
Jika sudah membuka websitenya silahkan klik GET STARTED ataupun LOGIN. Dan akan menuju tampilan halaman login
Pada tampilan itu silahkan pilih or click here for the Classic Platform karena kita akan membuat aplikasi android. Jika ingin membuat 2 aplikasi sekaligus silahkan pilih Cross Platform iOS + Android.
Silahkan pilih Create New App dan masukan nama aplikasi yang ingin kita buat. Disini adalah saya membuat aplikasi menggunakan nama saya sendiri yaitu Gausrakhesta. Jika sudah langsung aja pilih nama aplikasi yang mau dibuat.
Oke kita sudah ada di layout pembuatan aplikasinya disini saya menggunakan beberapa komponen dalam pembuatan aplikasinya yaitu :
- 1image
- 1 label
- 1 button
- 1 image recognizer
- 1 camera
Silahkan pilih komponen pada menu disamping kiri yang terdapat komponen diatas lalu drag dan drop kedalam aplikasinya. Dan untuk menghilangkan screen 1 pada layoutnya bisa dihapus centang bagian title visible dibagian menu kanan bawah. Kalau ingin mempercantik aplikasi anda bisa mengedit sesuai keinginan dan disini saya hanya memberikan tutorialnya untuk image recognition.
Setelah berhasil drag dan drop kita langsung ke bagian block atau coding, disini pembuatan aplikasi thunkable tidak memerlukan code manual yang harus membuat dengan script tapi menggunakan seperti puzzle yang harus mencocokan code satu dengan code yang lainnya. Silahkan pilih blocks pada bagian kiri atas.
Nah disitu kita memilih menu button1 pada layout kiri dibawah,pilih yang when button1.click do setelah itu pilih lagi menu camera dan pilih call camera.take picture dan sambungkan disamping do pada block button1 karena kita akan melogikan seperti ini “jika button1 di pilih maka akan memanggil dan membuka camera”
Setelah di drag di layout pilih lagi when camera1.After picture image do dan pilih juga di image recognizer1.post image path untuk mengkombinasikannya. Karena path nya kosong maka pilih di bagian when camera1.After picture yang di image dan klik maka akan muncul get image dan set image to disini kita mengambil yang get image dan drag di samping path.
Setelah disambungkan di path kita pilih lagi image1 yang set image1.picture to get image. Di get image ini bisa kita duplikat dengan cara klik tombol kanan pada get image yang di sebelah path setelah itu pilih duplikat selanjutnya drag di bagi samping to. Dan hasil logika jadi seperti ini “ketika kamera1 mengambil gambar maka akan memanggil image recognizer1 lalu path dan mengambil gambar dan set gambar yang sudah di ambil”
Lalu kita pilih di bagian image recognizer seperti gambar diatas when image_recognizer1.got response do, setelah itu pilih dibagian label yang set label1.text1 to dan klik description yang get description. dan logika akan menjadi seperti ini “jika image recognizer1 mendapatkan response maka set label menjadi deskripsi”
Langkah terakhir tinggal di eksport ke dalam bentuk .apk dan save my computer lalu jalankan di perangkat android mau emulator yang ada di laptop/pc kalian. Dan hasilnya seperti ini
Mungkin itu saja yang saya berikan tutorial jika ada yang kurang dimengerti bisa di komen. Terima kasih semoga ilmu ini bermanfaat.
Hai ketemu lagi nih,kali ini mau membagikan sebuah software antivirus yang bernama SMADAV pasti di beberapa kalangan sudah tau antivirus ini,nah disini antivirus sudah full version loh, jadi sudah versi paling terakhir update nya, dan sekarang sudah versi 10.5,oh iya Antivirus SMADAV PRO 10.5 Full version sangat detail juga mencari virus di komputer maupun laptop anda, biasa nya malware nya sangat terindek jika kita scan, tapi kekurangan SMADAV PRO 10.5 Full version ini biasanya harus beli nah kali ini saya juga sudah membagikan crack nya juga, uda tau crack itu apa? kalau belum tau saya jelaskan sedikit lagi crack itu adalah sejenis bug yang ada di dalam program nya itu sendiri jadi anda bisa menggunkan Full version tanpa harus membelinya karena lisensi nya uda tau yang mana bisa di bobol hehe, oke langsung di download link nya di bawah ini.
Mungkin itu saja dulu yang bisa saya berikan ilmunya nanti saya akan berikan lagi software gratis lain nya, kalau ada kurang mengerti pembahasan diatas langsung aja comment jangan lupa di share ya karena berbagi ilmu itu indah.
Hai ketemu lagi dengan saya kali ini ingin berbagi sedikit ilmu jahat hehe, yaitu NETCUT pasti penasaran software apa itu? nah disini saya akan menjelaskan sedikit. Netcut ialah sebuah program atau tools yang biasa digunakan untuk memutuskan wifi melalui laptop maupun komputer anda,jadi contoh seperti ini Laptop A lagi buka youtube nih dan Laptop B lagi main game online terus anda kepengin download tapi lemot pasti emosi dong, download 1GB harus menunggu 4jam lama nunggu nya,jika anda mempunyai software Netcut ini anda bisa mematikan wifi orang lain jadi anda download nya bisa cepat tadi 1GB nunggu nya 4jam kalau uda menggunakan Netcut jadi 1jam, lumayan gak nunggu terlalu lama jadinya. oke kita langsung aja simak cara menggunakan netcut ini.
Nanti ada beberapa laptop yang terkoneksi dengan wifi anda
Pilih mau yang mana di matiin wifinya
Dan jangan lupa juga Net.Framework anda harus sudah support versi 4 keatas ya. kalau belum support silahkan coba googling banyak kok.
Note: Gunakan dengan bijak ya, jangan usil
Oke mungkin itu aja dari saya kalau ada yang kurang di mengerti pembahasan diatas silahkan aja comment dibawah dan jangan lupa juga share, karena berbagi sesama itu indah. Terima Kasih
