Lapor Pak!

December 12, 2008

Lapor Pak!

Semua anggota sudah memposting.. Thx..

Wkwkwk…

Introduction

Project NASA F-15 intelligent flight control System (IFCS) memasukkan sederetan konsep control yang didesain untuk menunjukkan mamfaat dari sebuah neural jaringan (NN) yang dapat beradaptasi dengan dasar controller.
Tujuan utama dari IFCS team adalah untuk menunjukkan evolusi control yang mendekati dan dapat meningkatkan kemampuan pesawat terbang dalam dua keadaan baik dalam kondisi normal dan kondisi gagal. Keadaan terkunci atau gagal control pada permukaan yang dapat mengakibatkan kerusakan pada saat pesawat sedang terbang.

IFCS team adalah implementing dari algorithm control generasi kedua yang lebih dikenal sebagai Gen 2″ untuk testing penerbangan di pesawat udara NASA F-15.

Spesifik tujuan untuk Gen 2 adalah untuk
1 implement and fly a direct adaptive neural network-based flight controller
2 menunjukkan kemampuan dari sistem untuk menyesuaikan sistem simulasi gagal di dua lintasan
By suppressing transients associated with the failure and
By reestablishing sufficient control and handling of the vehicle for safe recovery
3.Provide flight experience for development of verification and validation processes for flightcritical neural network software

Laporan ini meggambarkan bahwa Sistem Gen di implementasikan oleh IFCS team untuk evaluasi pengujian (test) penerbangan

Test Aircraft ( uji pesawat udara)
Pengujian (testing) pesawat terbang NASA 837 ditunjukkan pada gambar 1, yang merupakan modifikasi tinggi pesawat terbang F-15B dan tidak mewakili dari produksi pesawat terbang F-15. modifikasi kendaraan memasukkan dua puncak canard area depan diatas tekukan kecil pada sayap. Canard nya merupakan modifikasi dari garis datar permukaan ekor F-18 dan posisi terbangnya terjadwal untuk merespon serangan dari sudut (α). Sebuah tambahan modifikasi kendaraan memasukkan penggabungan dari mesin F100-PW-229 Pratt dan Whitney (West Palm Beach, Florida) yang dilengkapi dengan axisymmetric, pipa tolakan vectoring. Selama pengujian penerbangan. Kemampuan tolakan vectoring memungkinkan. Tetapi vectoring diperintahkan sampai ke nol. Pesawat terbang dikontrol oleh sebuah quaduplex, digital. Fly by wire, sistem control penerbangan, semua hubungan mechanical antara control stick, rudder pedals dan control permukaan telah dicabut dari pesawat terbang

Research Vehicle
Penelitian kendaraan mempunyai 5 jenis perbedaan dari permukaan control – canards, ailerons, stabilators, rudders, dan flaps. Masing masing jenis mempunyai dua sisi yaitu permukaan kiri dan kanan. Canards adalah bagian depan dari sayap, ailerons adalah bagian dari sayap, stabilators bertempat di belakang kendaraan, dan rudders bertampat di ekor tegak. Posisi melebar di perintah oleh pilot untuk naik atau turun, dan di posisi ini adalah dasar dari kecepatan angin.

clip_image0021

Gambar 1 Pesawat NASA 837 F-15

Intelligent Flight Control System Architecture
Gambar 2 menunjukkan arsitektur GEN 2 IFCS. Gen 2 mengunakan sebuah algoritma control pengarah keseimbangan ( direct adaptive control algorithm) dan mempunyai model kontrol kebalikan ( model inverse control ) dengan membalikkan aturan error dan neural network augmentation. Skema  control pokok telah dikembangkan oleh DR. Anthony calise dan Byoung S.Kim dari institute teknologi NASA Georgia. Pusat penelitian Ames menggunakan (implemented) skema control ini di konsep lanjutan simulator penerbangan mereka dan menunjukkan evaluasi luas pilot untuk tiga jenis perbedaan dari kendaraan-sebuah angkutan pesawat terbang besar, pesawat terbang NASA Dryden F-1 dan sebuah uninhabited aerial vehicle (UAV)

2008-12-12_113939

Figure 2. Gen 2 IFCS architecture.

Research Controller
Pengatur penelitian (research controller) adalah sebuah dynamic inversion-type controller dan asalnya dikembangkan oleh McDonnell Douglas Aircraft (St.Louis, Missouri). Garis dasar control hukum diambil dari program F-15 active inner-loop thrust vectoring (ILTV), tetapi IFCS team telah mencabut thrust vectoring controls untuk implementasi Gen 2. untuk original dynamic inverset controller, proporsional, intergritas, dan turunan (PID) tambahan

Research controller adalah sebuah pengatur inversion type yang dinamis. Dan asalnya dikembangkan oleh McDonnell Douglas AirCraft (St.louis, Missouri). Garis dasar kontrol hukum diambil dari program F-!5 active inner-loop thust vectoring (ILTV) , tetapi IFCS team telah dicabut thrust vectoring control untuk implementasi Gen 2. untuk dynamic inverse controller yang asli. Proporsional, terpadu dan turunan(PID) menambahkan ke achieve linear stability robustness, aeroservoelastic (ASE) mode attenuation, dan sistem non linear diperintahkan mengikuti hal nominal(no ada kegagalan).

Ketika testing original dynamic inverse controller mengunci simulasi kegagalan stabilator, significant lateral acceleration dan sudut dari sideslip merupakan hasil dari masukan lateral stick yang tercatat. Karena design yang subsequency dari jaringan neural tidak memungkinkan untuk mengubah kelakukan dan komentar pilot dari lanjutan sidang simulasi yang negative

Adaptive Neural Network
Neural network menyediakan penyesuaian online didalam skema control Gen 2 yang diketahui sebagai sigma pi. Jaringan neural Sigma pi yang namanya diambil dari persamaan pokok dari jaringan yang dijumlahkan  (sum (Σ) )  produk (n) dari masukan ke jaringan neural dengan kedekatan timbangan. Timbangan dari jaringan neural ditentukan dengan sebuah latihan algoritma. Dan Juga diketahui sebagai sebuah penyeimbang atau mempelajari aturan. Kata “Learning (latihan) ” yang digunakan disini maksudnya untuk melengkapi timbangan ini. Jadi jaringan mempunyai sebuah hubungan yang valid diantara masukan dan keluaran. Timbangan dari jaringan neural dihitung dengan menggunakan
� Commanded aircraft rates from the reference model
� PID error control and
� Adaptive control rates fed back from the neural network

Persamaan 1 menunjukkan perhitungan dari timbangan untuk neural network yang telah diimplementasikan si sistem Gen 2.

2008-12-12_114501

Dimana ΔW adalah hitungan berat untuk langkah waktu. Timbangan Neural network(W) adalah timbangan dari langkah waktu sebelumnya. Langkah waktu adalah Δt, dimana adalah 0.0125 seconds (80 Hz rate). Tambahan penyesesuaian adalah G, dimana kadang dipanggil dengan learning rate. Pengantian error adalah Ue. Fungsi dasar adalah B, which kandungan fungsi squashing digunakan didalam neural jaringan sigma pi. dead band error digunakan untuk mempelajari kesalahan ketika kesalahan kecil yang disimbolkan dengan L. Nilai untuk G dan L adalah susunan tetap. Fungsi squashing  yang digunakan di neural network adalah sebuah fungsi sigmoid dan mempunyai bentuk

2008-12-12_113956

Penyesuaian jaringan neural diimplementasikan untuk menguji penerbangan yang di subsidivisikan kedalam tiga jaringan pribadi yang terpisah. Satu untuk masing masing poros, puncak (pitch), roll dan yaw. Masukan masing masing ke jaringan neural pribadi dengan beragam nomor. Roll axis digunakan enam masukan, pitch axis mempunyai tujuh masukan, dimana yaw axis mempunyai sepuluh masukan. Ada juga tambahan delapan masukan ( dua masukan untu masing masing permukaan) yang mengendarai logika antiwindup. Total dari 31 masukan pergi ke tiga jaringan neural. Keluaran dari masing masing jaringan neural adalah perintah percepatan yang menambah control datangya sinyal dari research controller untuk masing masing poros (axis)

Antiwindup Logic
Bendera antiwindup bertindak sebagai sebuah switch untuk jaringan neural. ketika banyak permukaan(surface) menyeleweng dari batasanya. Tiga bendera antiwindup dihitung dengan delapan penyelewengan permukaan (empat permukaan – aileron,stabilator, canard dan rudder dari kiri dan kanan untuk masing masing permukaan. Yang masuk kedalam jaringan neural. Pitch axis mengecek stabililator dan penyelewengan canard. Roll axis mengecek aileron dan penyelewengan stabilator. Yaw axis mengecek penyelewengan rudder dan canard. Batasan untuk masing masing permukaan terdaftar di table 1 dibawah

2008-12-12_114008

Safety of Flight Monitors
Karena dari dinamis (dynamic) dan tidak mengetahui sifat dari penyesuaian neural network (neural network adaption), additional monitors telah ditambahkan kedalam sistem untuk membantu ketidak pastian keamanan dari penerbangan.
Satu monitor preexisting akan digunakan untuk penerbangan Gen 2.  monitor lain dikembangankan dengan khusus untuk sistem Gen 2 ke alamat spesifik kabar keamaman ( address specific safety issues) dan perhatian. Fungsi dari monitor ini adalah down-mode sistem nya ketika sewaktu-waktu kondisi tidak aman hadir selama penerbangan. Down-moding maksudnya computer penerbangan pesawat terbang yang menggunakan hukum control penelitian (research control laws) diganti dengan jaringan penyeimbang neural (adaptive neural networks) untuk mengunakan kumpulan dari standard atau dasar control hukum (basic control laws == dengan tanpa hadirnya penyeimbang neural network). Sebuah deskripsi singkat dari masing-masing monitor dibawah ini

Envelope monitor. Pick-a-limit (PAL) envelope monitor, dimana terdapat didalam sistem IFCS yang pertama (Gen 15­), jika mengingat pengalaman kondisi penerbangan tertentu atau batasan pesawat terbang  selama  penerbangan. These limits serve to keep the aircraft in a defined envelope with good known aircraft states. Gen 2 currently has two research flight envelopes defined – one more restrictive envelope that is a subset of a larger envelope. These two flight envelopes also aid in the build-up approach used during flight test.

Floating Limiter. Sebuah monitor keamaanan yang dipanggil jaringan neural “Floating limiter” telah ditambahkan kedalam sistem Gen 2. monitor keamanan ini membatasi nilai keluaran dari jaringan neural. Ada kandungan logika didalam jaringan neural yang membekukan timbangan(weights) ketika tanda (signal) keluaran jaringan neural telah dibatasi oleh floating limiter. Ini adalah logika tambahan yang menyebabkan pengatur research ( research controller )  ke down-model yang mengunakan standar control kukum (standard control laws) ketika batasan keras exceeded untuk menyesuaikan dengan sinyal, tanda (signal) yang dating dari jaringan neural.

Structural Safety Monitor. Karena jaringan neural yang mungkin memindahkan permukaan pesawat terbang ke jalur yang tidak terduga untuk melengkapi simulasi kegagalan. A structural safety monitor telah diimplementasikan kedalam ruangan control untuk mengamati beban pesawat terbang selama penerbangan. Monitor ini mengunakan kode warisan (legacy code), dimana menghitung susunan yang diambil dari 40 posisi yang berbeda didalam pesawat terbang. sebuah kumpulan dari penerbangan, diketahui sebagai penerbangan structural loads model validation (SLMV) yang dipersembahkan dengan khusus untuk menjabarkan kode yang di load (diambil) oleh computer. Penerbangan ini menjadi lebih dulu menyesuaikan ke penerbangan Gen 2 yang menggunakan penyesuaian jaringan neural ( neural network adaption ).

Simulation Results
Pengatur penelitian ( research controller)., jaringan neural (neural networks), dan kemampuan untuk menjalankan simulasi kegagalan selama penerbangan yang telah dipadukan kedalam simulasi nonlinear NASA Dryden six-degree-of freedom.
Hasil dari simulasi dibuat menampilkan ilustrasi pengalaman yang is to be flown dan highlight keuntungan yang disediakan oleh sistem kontrol Gen 2.

Kemampuan untuk menguji jaringan neural (neural network) selama penerbangan dengan dua jenis dari kegagalan telah diterapkan/dijalankan (implementasi) untuk penerbangan penelitian Gen 2.  satu jenis dari simulasi kegagalan, dimana diwakili oleh sebuah jenis aerodinamika dari kegagalan, memasukan sebuah multiplier kedalam canard. Jenis kedua dari simulasi kegagalan, dimana diwakili sebuah kegagalan permukaan, memasukan sebuah kegagalan stabilator ke sisi kiri atau kanan stabilator yang lain. Kedua kegagalan mempunyai jarak yang membangun ketingkat maximum yang dapat diterima dari jarak kegagalan dan telah diuji di penerbangan. Tingkat yang dapat diterima dari jarak kegagalan yang melewati simulasi non linear yang mengunakan g-transient guidelines yang disediakan oleh pilot dari pesawat terbang.

Karena simulasi nonlinear tanpa pilot telah digunakan untuk menjalankan kedua hal kegagalan, sebuah autopilot sederhana dibutuhkan untuk dimasukkan didalam simulasi yang dibuat untuk mengantikan aksi seorang pilot setelah  pesawat  terbang mempunyai pengalaman gagal. Percobaan autopilot untuk menjaga pesawat terbang pada tingkat sayap dan di kondisi ketinggian yang tetap, tetapi tidak menggunakan throttle setting yang dibuat untuk mengengam mach number. Persamaan yang digunakan didalam simulasi untuk autopilot adalah

2008-12-12_114016

Dimana dap adalah roll stick input, φ adalah sudut tepian ( bank angle), p adalah tingkat poros badan ( body axis roll rate), dep adalah pitch stick input, h adalah ketinggian pesawat terbang (aircraft altitude), dan hdot adalah laju waktu dari perubahan ketinggian pesawat terbang (time rate-of-change of the aircraft altitude) konstan c1- c4 adalah tambahan untuk autopilot. Tambahan ke autopilot terpilih jadi pesawat terbang nya kembali ke kondisi tingkat sayap (wings level) dalam 5 detik dari serangan kegagalan.

Simulasi digunakan untuk membandingkan dua hala untuk masing masing jenis kegagalan. Hal pertama dijalankan pengatur penelitian (research controller) dengan tanpa hadirnya penyesuaian jaringan neural (neural network adaption).
Di hal kedua, sistem Gen 2 telah berjalan penuh dan penyesuain jaringan neural telah hadir. Didalam semua hal, simulasi kegagalan diperintahkan sepuluh detik kedalam penerbangan dan autopilot telah memungkinkan. Adalah waktu henti dari empat rangka yang dimasukkan kedalam simulasi untuk menganti waktu henti yang telah disosialisasikan dengan kiriman data antara computer didalam kendaraan via 1553 data bus. Semua hal simulasi jalan selama 50 detik.

Plot ketiga didalam gambar 3 menunjukkan respon dari autopilot ke sebuah kegagalan stabilator kanan, positive 4 derajat dari trim, diperintahkan pada 10 detik kedalam history waktu dengan tanpa hadirnya augmentation jaringan neural. Autopilot mengembalikan pesawat terbang ke posisi wings level kpada kondisi original penerbangan.

Plot keempat dari gambar 4 menunjukkan kegagalan stabilator kanan diperintahkan pada 10 detik kedalam history waktu. Karena serangan kegagalan mempunyai dua detik henti. Kegagalan benar benar muncul pada 12 detik. Kegagalan stabilator kanan dimasukkan pada laju 1 radian per detik.

Gambar 5 menunjukkan setelah kegagalan muncul pada 12 detik, dan pesawat terbang kembali kondisi wings-level, pesawat terbang dengan  a -0.1 g offset dari ny dan a 1-degree offset in β, while nz eventually returns to the nominal value of 1g

2008-12-12_114024

Figure 3. Aircraft response for right stabilator failure with no neural network adaptation.

2008-12-12_114030

Figure 4. Stabilator positions for right stabilator failure with no neural network adaptation.

2008-12-12_1140361

Figure 5. Aircraft response for right stabilator failure with no neural network adaptation.

2008-12-12_114041

Figure 6 shows the comparison plots of the autopilot inputs for the right stabilator failure case with and without neural network augmentation present. The autopilot gains used for both runs are identical. The neural network has the effect of lessening the autopilot input commands needed to restore the aircraft to ‘wings-level, altitude hold’ controlled flight. This in turn lowers the g transients seen while the plane is returning to wings-level flight. The third plot of figure 7 shows a 0.3-g reduction in nz. The third plot of figure 6 shows that while the Mach number trace is almost identical for the two cases, the fourth plot of figure 6 shows that the aircraft holds altitude better by almost 100 feet for the case with neural network adaptation turned on.

2008-12-12_114049

Figure 7. Comparison of nz seen during flight for right stabilator failure.

For the aerodynamic type of failure, a canard multiplier of – 0.6 was used in two different cases – one with no neural network adaptation, and one case with neural network adaptation turned on. Both cases use the same autopilot defined previously in eq. 3 and eq. 4.

2008-12-12_1140552008-12-12_114100

Figure 8 shows that the neural network adaptation assists the autopilot in restoring the aircraft to nominal flight. The research controller, in conjunction with the autopilot, is able to eventually control the aircraft (although the oscillations indicate that the autopilot gains may be too high for a failure of this type), with assistance from the neural network – less control inputs are needed and the aircraft returns to 1g wings-level flight approximately 12 seconds earlier than in the case with no neural network adaptation present figure 9. Both failure cases demonstrate that the neural network is able to assist the research controller and autopilot, return the vehicle to nominal flight with lower nz transients, and in a shorter time period.

SUMARY
TLaporan ini mendeskripsikan arsitektur dari research controller dan jaringan neural yang telah diimplementasikan sebagai bagian dari projek intelligen flight control system untuk testing penerbangan pada modifikasi pesawat terbang NASA-F15. research controller yang digunakan adalah sebuah hybrid controller yang menggunakan dynamic inverse control untuk pitch dan roll axex, ketika sedang mengunakan sebuah classical β-dot controller untuk yaw axis. Jaringan neural ini digunakan untuk control algoritma direct adaptive yang melakukan percobaan untuk mengendari dari error ke nol antara model acuan dan kedudukan pesawat terbang sebenarnya. Jaringan neural menghasilkan tiga sinyal control penyesuain yang memperbesar control sinyal yang disediakan oleh research controller dan PID menambahkan persediaan penyesuaian online ke simulasi kegagalan didalam penerbangan. Meningkatnya  Isu dan kepastian dari implementasi sistem generasi kedua (Gen 2) didalam pesawat terbang untuk testing penerbangan dan solusi solusi telah diimplementasikan testing penerbangan

Ilustrasi hasil simulasi penerbangan Gen 2 telah diperlihatkan. Keuntungan dari jaringan neural adalah highlited untuk dua jenis perbedaan dari hal kegagalan simulasi, kegagalan stabilator dan canard multiplier bias. Kedua hal kegagalan membuktikan bagaimana jaringan neural memungkinkan untuk membantu research controller dan autopilot mengembalikan kendaraan pada penerbangan nominal (no kegagalan) dengan percepatan transient lower normal dan dalam waktu periode yang singkat. Hal ini menunjukkan kedua keutungan dari sistem kontorl penerbangan Gen 2 dan hasilnya didapatkan dari testing penerbangan.

Referensi :

Dryden Flight Research Center
National Aeronautics and Space Administration
Edwards, California, August 25, 2005

Oleh : Antoni Angkusuma – 23060168

ALMA Software User Test Plan

December 11, 2008

Sebuah proyek internasional Atacama Large Millimeter/submillimeter Array (ALMA) akan menyediakan suatu kombinasi sensivitas, resolusi, dan imaging capability pada gelombang radio yang terpendek untuk atmosfer bumi yang transparan yang belum pernah terjadi. Sebuah kerjasama internasional Amerika Utara, Eropa, dan Jepang, saat ini membangun ALMA. Sebuah elektronik, antenna, dan software yang sekarang dalam pembangunan di seluruh dunia. ALMA akan memulai penelitian astronomi pada 2010 dan oerasionalnya direncanakan berakhir pada 2013.

Pada waktu proses defelopment software ALMA, subsystem scientist pada komite SSR (Software Science Requirement):

1. membera masukan untuk menyelesaikan masalah saat development.

2. Memastikan requirement dipenuhi dan up to date

3. Mengevaluasi status dan mendefinisikan kembali prioritas requirement jika diperlukan

4. Mengecek interface subsystem

5. Membantu mengurangi resiko user acceptance dengan melakukan testing secara periodic dan mengevaluasi software dari sudut pandang science.

Untuk mencapai tujuan tersebut, intergasi dan software test harus dilakukan saat proses development. Test harus dikoordinasi dan memberikan input masukan untuk subsystem release dan desain / acceptance review ALMA.

Test Plan: mendefinisikan kapan test akan dilakukan relasinya dengan software release dan review ALMA. Ada 4 test:

1. Unit atau Automated tests – memferivikasi fungsionalitas potongan code

2. Performance tests – test otomatis untuk mengukur timing constraint cocok atau lewatan data memadahi.

3. Stand Alone User Test – Dilakukan sebelum subsystem release dengan cukup waktu yang mengijinkan subsistem developer merespon.

4. Integrated user test – Dijalankan segera setelah integrated subsystem releases.

Software User test plan
Software User test plan

12

Sumber:

http://www.aoc.nrao.edu/~dshepher/alma/ALMA.sftw.tstplan.19jun03.pdf

http://www.nrao.edu/index.php/about/facilities/alma

http://almasw.hq.eso.org/almasw/bin/view/Usertests/WebHome

Oleh : Ivan Kurniawan – 23060093

Tujuan
Tujuan utama dari testing MSU homepage adalah untuk menguji reaksi peserta yang berkenaan dengan drop-down menu pada bagian navigasi. Tujuan lain dari testing ini antara lain:
– Menentukan kekurangan dari pencarian informasi.
– Menentukan kejelasan dari label (link).
– Menentukan tingkat daya tarik dari gambar-gambar pada homepage.
– Menentukan tingkat daya tarik dari warna homepage.
– Menentukan masalah pemakaian.
– Mengumpulkan komentar dari para peserta.

Metode
Metode yang digunakan untuk melakukan testing ini antara lain:
– Apendix A: Demographics questionnaire
– Apendix B: Usability testing scenarios
– Apendix C: Posttest debriefing form

Usability testing ini memiliki 3 tahapan yaitu:
1: Collecting participants’ demographic data
Pengumpulan peserta untuk mengisi kuisioner demografi. Tahap ini bertujuan untuk menentukan status peserta, browser yang sering dipakai oleh peserta, keahlian peserta dalam menggunakan internet, keberhasilah peserta dalam mencari informasi di internet.

2: Having participants perform real-life tasks
Tahap selanjutnya adalah peserta melakukan beberapa tugas (8 tugas) yang telah ditentukan sebelumnya. Tahap ini bertujuan untuk menguji reaksi peserta terhadap dropdown navigation menu dan mengatahui permasalahan lain yang ditemukan saat menjalankan tuas tersebut.

3: Collecting posttest responses
Tahap terakhir adalah melaksanakan wawancara akhir. Tahap ini bertujuan untuk mengumpulkan opini peserta tentang:
• Kekurangan dari pencarian informasi pada prototype MSU homepage
• Daya tarik dari gambar.
• Daya tarik warna.
• Kejelasan label (link).
• Ukuran huruf.
• Pilihan website (website yang lama atau prototype).

Prototype MSU Homepage
Prototype MSU Homepage

Contoh Apendix C
Contoh Apendix C
result Apendix C
result Apendix C

oleh : Dessy Natasia W – 23060109
Sumber:
www.mnsu.edu/its/web/projects/archive/wtf/supersiteReport.pdf

Maraknya layanan-layanan berbasis web sekarang ini, seperti e-commerce, semakin memudahkan kita melakukan transaksi proses bisnis terhadap suatu barang yang kita inginkan. Dalam hal mendapatkan barang yang diinginkan pun juga tidak perlu membuang-buang waktu, biaya dan tenaga kita, tidak hanya itu, adanya software-software yang mendukung dalam pemberian keputusan akan sangat membantu kita dalam memilih barang yang kita inginkan dari sekian jenis dan merk yang tersajikan lewat internet. Namun apakah cara transaksi proses bisnis seperti ini aman?

Web browser yang merupakan tempat berjalannya aplikasi berbasis web dapat kita percaya sebagai bodyguard dalam menemani kegiatan proses bisnis. Browser yang popular di kalangan masyarakat ialah IE, Opera, dan Firefox tetapi apakah browser-browser tersebut sudah dapat melindungi dirinya sendiri dari serangan hijacker, phiser dan hacker. Dari ketiga browser yang popular tersebut, menurut Symantec ternyata pengguna IE merupakan sasaran yang paling banyak diincar oleh pelaku kejahatan dunia maya. Maka dari artikel yang saya baca, CHIP akan melakukan pengujian terhadap ketangguhan ketiga browser tersebut, mana yang lebih aman.

Ketiga browser tersebut diuji dengan sebuah security check dengan titik tolak pengujian untuk celah keamanan mendatang digunakan database dari secunia (www.secunia.com). Perlu diketahui bahwa serangan oleh para hacker paling banyak dilancarkan melalui we browser, dikarenakan banyaknya layanan e-commerce yang dapat dimanfaatkan untuk memperoleh password dan data-data rahasia lainnya. Dalam kasus ini, CHIP menguji keamanan dari ketiga browser tersebut melalui phising, hijacking dan keamanan lokal.

Phising merupakan filter yang mencegah pembelokan ke alamat URL palsu yang bertujuan untuk mendapatkan PIN, password atau credit card number dari user. Dalam IE 7 dan Firefox 2 untuk filter phising keduanya patut diandalkan karena browser tersebut memiliki daftar whitelist site yang dapat dipercaya, cerdasnya data ini dapat diupdate dan disimpan di PC anda.

Hijacking merupakan metode yang digunakan para hacker untuk menyusup ke dalam browser, biasanya melalui spyware dan adware. Adware ialah iklan produk atau penawaran layanan yang merupakan bagian dari sebuah situs atau aplikasi. Seringkali hal ini terjadi justru karena kelemahan pengguna yaitu ketertarikannya terhadap plugin-plugin yang ditawarkan. Dengan memanfaatkan spyware maka hacker akan dapat menyusup melalui celah dari plugin yang sudah terinstal pada PC anda, kebanyakan hacker melakukan serangan yang terpusat pada plugin.

Dengan melepaskan sebuah Trojan Cool-WebSearch yang bertujuan membolkir serangan hijacking semacam itu. Ternyata trojan yang dilepaskan ke IE berhasil meng-infeksi dan mengijinkan masuk penyusup lain, pada hal ini antivirus yang terpasang tidak dapat menemukan virus yang bersarang tadi. Lain hal dengan Opera dan Firefox, kedua browser ini tidak memiliki ActiveX sehingga kebal terhadap Trojan yang CHIP lepaskan, tidak seperti pada IE. ActiveX merupakan suatu program pada Microsoft yang memiliki hak yang sama seperti browser sehingga program tersebut dapat mengakses sistem, kecuali pada Windows Vista.

Keamanan Lokal ialah bergantung pada fitur cookie dan cache dari masing-masing browser. Bagi seorang hacker, berhasilnya mengakses cookie dan cache maka berbagai informasi mengenai pengguna akan dapat dibaca dengan mudah. Dalam hal ini IE kalah jauh dengan Opera dan Firefox, pada IE fitur mengenai cache hanya dapat dilakukan dengan cara menentukan ukuran browser-cache dan menghapus cache secara keseluruhan sedangkan pada Opera dan Firefox penghapusan terhadap cache dapat dilakukan satu per satu, selain itu kita dapat melakukan pemeriksaan terhadap folder cache.

Dari hasil peengujian terhadap keamanan browser yang populer pada kalangan masyarakat bahwa ternyata Firefox menempati peringkat pertama sebagai browser teraman lalu diikuti oleh Opera dan terakhir ditempati oleh IE (Internet Explorer).

Regerensi :

Security Testing by CHIP

Result Table for Security Testing by CHIP

Oleh : I Gd Harditya Dharma Putra – 23060154

Definisi

KULON (Kuliah Online) adalah perangkat lunak yang digunakan untuk mengelola dan mengatur perkuliahan secara Online, yang dinamakan Perkuliahan Online disini adalah dosen (penyaji) dapat menyimpan materi-materi pelajaran didalam server, kemudian pada saat yang lain siswa dapat melihat atau mendownload materi-materi tersebut dari server ke komputer lokal. Dosen dapat membuat bank soal didalam server dan mengaktifkan kapan soal-soal tersebut akan diujikan kepada para siswa. Siswa dapat mengikuti ujian secara online dari mana saja selama terkoneksi dengan Internet.

Pengujian

Pengujian terhadap perangkat lunak KULON dilakukan dengan menggunakan metoda black box testing. Pengujian black box ditujukan untuk menemukan kesalahan dengan kategori sebagai berikut :
1. fungsi-fungsi yang tidak sesuai
2. kesalahan antar muka
3. kesalahan struktur data
4. kesalahan kinerja
5. dan kesalahan terminasi

Kelompok proses interaksi

Kelompok proses interaksi yang diuji pada diagram use case meliputi :
1. Use case Level Autentikasi/Login (SPL-KULON-UC-01)
2. Use case Aktivasi (KULON-UC-02)
3. Use case Mendaftar (KULON-UC-03)
4. Use case Buat Kelas (KULON-UC-04)
5. Use case Buat Materi (SPL-KULON-UC-05)
6. Use case Tampil Materi (SPL-KULON-UC-06)
7. Use case Logout (SPL-KULON-UC-07)
8. Use case Home (SPL-KULON-UC-08)

diagram-usecases

Dari pengelompokan rancangan itu kemudian dibuat rancangan testing sebagai berikut :

rancangan-testing

Gambar scenario dan testing modul login

loginskenario

logintesting

Referensi :
Study Kasus KULON UNIKOM – Taryana

Oleh : Naga Gotama Adhi Wijaya – 23060118

War of the Ants II (WOTAII) adalah multiplayer strategy game yang dibangAntPilotun berdasarkan arsitektur client server. Game ini dikembangkan oleh 3×20 Marching Ants Corporation untuk pasar game Linux. AntPilot sendiri merupakan software client untuk WOTAII yang  dikembangkan oleh FireAnts Team dari AntFarm Division. AntPilot menyediakan graphical user interface di sisi client, bertanggungjawab mengadakan koneksi ke server, mengirimkan perintah-perintah, mengilustrasikan game dalam grafik 3D, dll.

Testing pada AntPilot

Proses testing dilakukan menggunakan komputer yang berada di laboratorium University of Guelph, yang mana telah memenuhi spesifikasi yang sudah ditetapkan pada Software Requirements Specification dan  System Design Document. Testing dilakukan dengan seluruh game server yang ada, yaitu FlyingAnts dan ArmyAnts. Total dibutuhkan empat komputer untuk melakukan testing. Dua komputer digunakan untuk masing-masing server. Satu komputer digunakan untuk AntPilot berhubungan dengan server dan membuat game, sedang satu komputer lainnya digunakan untuk bergabung dengan game yang telah dibuat dan kemudian memulai game.

Cakupan dari proses testing ini dibagi menjadi tiga, yaitu black-box testing, white-box testing, dan direct-user testing. Tujuan yang ingin dicapai dalam proses ini adalah untuk mengetahui sebaik apa performa dari AntPilot, dan menemukan bagian yang perlu diperbaiki, termasuk software’s requirement.

–  Black-box testing

Pada tahap ini, fokus dari testing dibagi menjadi tiga, yaitu :

  • General Tests

Fokusnya adalah pengoperasian umum oleh pengguna. Beberapa hal yang diuji antara lain transisi menu, catching and handling errors, dll.

Example - General Test

Contoh General Tests

  • Game Play Tests

Fokusnya adalah interaksi antara pengguna dengan software ketika game berlangsung. Beberapa hal yang diuji antara lain apakah karakter dapat muncul di layar, apakah karakter dapat menjalankan perintah-perintah, dll.

Example - Game Play Test

Contoh Game Play Tests

  • Quantitative Tests

Fokusnya adalah mengukur kecepatan performa secara umum. Beberapa hal yang diukur adalah seberapa cepat koneksi dengan server dapat terjadi, seberapa cepat respon perintah dijalankan, dll.

Example - Quantitative Test

Contoh Quantitative Tests

–  White-box testing

Pada tahap ini, fokus pengujian adalah kecocokan antara AntPilot dengan network protocol yang dikembangkan oleh Open Ants Standards Working Group (OASWG). Hal yang diuji adalah berjalannya komunikasi ke server, baik untuk mengadakan koneksi, membuat game, dll .

–  Direct-user testing

Testing juga dilakukan pada sebuah grup yang dibentuk dengan variasi yang luas. Mereka diminta untuk menyelesaikan sejumlah perintah, dan mengisi kuisioner yang diberikan. Secara garis besar,  pertanyaan yang diberikan adalah mencakup game screen, koneksi dengan server, dan sebaik apa game dapat berjalan. Melalui uji ini, dapat diketahui kepuasan pengguna terhadap penggunaan AntPilot.

Example - Direct User Testing

Contoh Direct-user testing

Dalam proses testing ditemukan ada beberapa hal yang perlu diperbaiki, seperti penampilan error message yang belum lengkap, penerapan fitur dari protokol OASWG yang belum diimplementasi, dan beberapa perintah untuk karakter yang belum berjalan baik. Namun, secara umum AntPilot telah memenuhi banyak tujuannya, dan juga memberikan kepuasan yang cukup bagi pengguna. Pengembangan dan perbaikan perlu dilakukan untuk hasil yang lebih baik.

Referensi :

Software Testing Report

Software Requirement Specification

System Design Document

Oleh : Ardian Sapoetro – 23060091