OSINTpro (OSINTpro)

Seorang Siber sekuriti dengan kemampuan :

Riset & Analisis: Mampu menyaring, mengidentifikasi pola, dan menghubungkan data dari sumber terbuka untuk menemukan informasi relevan.

Teknik Pencarian Lanjutan (Dorking): Menguasai Google Dorking dan teknik pencarian spesifik lainnya untuk menemukan informasi tersembunyi.

Penguasaan Tools OSINT: Mahir menggunakan alat seperti Maltego, Shodan, theHarvester, SpiderFoot, dan Wayback Machine untuk otomatisasi dan visualisasi data.

Analisis Metadata & File: Memahami cara menganalisis data tersembunyi dalam file dan gambar. Pemahaman Teknologi: Mengerti cara kerja internet, media sosial, dan infrastruktur digital.

Keterampilan Analitis & Soft Skills Berpikir Kritis: Mampu mempertanyakan sumber, memvalidasi informasi, dan berpikir logis tentang ketepatan data.

Penyusunan Laporan: Mampu menyajikan temuan dalam laporan yang jelas, ringkas, dan dapat dipahami.

Manajemen Data: Membuat catatan kasus yang terperinci dan tujuan riset yang jelas. Kesadaran OPSEC (Operational Security): Mengamankan sistem dan aktivitas riset untuk melindungi diri sendiri saat mengumpulkan data.

Etika & Hukum
Etika Profesional: Menggunakan OSINT secara legal, menghormati privasi, dan menghindari penyalahgunaan data (seperti doxxing).

Mindset Kesabaran: Mampu terus menggali informasi dan teliti dalam setiap langkah investigasi.�

Antivirus ASP.NET Penetration Testing Apache Network Security Appraisement

Hire Me
Make a Private Project

Invite to Bid
Existing Projects

User Name:	OSINTpro
Account Type:	Personal Account
Date Registered:	10/01/2026 12:22:37 WIB
Last Seen:	06/05/2026 09:07:50 WIB
Provinsi:
Kabupaten:
Website:
Online Hours:	96.55
Projects Won:	0
Projects Completed:	0
Completion Rate	-
Projects Arbitrated:	0
Arbitration Rate	-
Current Projects:	0

Ratings & Rankings

As Worker

0.00/10.00
0 Point
No Ranking
0 Projects

As Owner

0.00/10.00
0 Point
No Ranking
0 Projects

As Seller

0.00/10.00
0 Point
No Ranking
0 Sales

As Affiliate

0.00/10.00
0 Point
No Ranking
0 Users

Services

No record found.

Products

No record found.

2023: E-commerce Fraud Detection Projectv:Proyek ini bertujuan untuk mengatasi kekhawatiran yang semakin meningkat terkait aktivitas penipuan di pasar online. Dengan memanfaatkan pembelajaran mesin, sistem ini membantu mengidentifikasi potensi transaksi penipuan, menunjukkan dampak ilmu data dalam meningkatkan keamanan di platform e-commerce.

2024: Transaction Fraud Detection (Machine Learning for Classification) :Proyek ini memanfaatkan algoritma pembelajaran mesin untuk klasifikasi, khususnya untuk deteksi penipuan transaksi. Dataset yang disajikan di sini terdiri dari ribuan catatan transaksi, tepatnya lebih dari 6 juta transaksi, dan informasi penting tentang setiap transaksi, termasuk saldo rekening pengirim dan penerima sebelum dan sesudah transaksi, jumlah uang yang ditransfer, dan apakah transaksi tersebut benar-benar penipuan atau tidak. Tujuan proyek ini adalah untuk membangun model klasifikasi pembelajaran mesin yang dapat mendeteksi penipuan transaksi secara akurat. Lebih lanjut, proyek ini berfokus pada efisiensi prediksi dan interpretasi model, serta mencoba memanfaatkan keduanya. Proyek ini awalnya diselesaikan sesuai persyaratan proyek akhir mata kuliah saya, 'Pembelajaran Mesin Terawasi: Klasifikasi', yang ditawarkan secara daring oleh IBM. Secara keseluruhan, proyek ini menampilkan berbagai macam tugas analisis data, algoritma klasifikasi, dan teknik interpretasi model.

2025: Synthetic Financial Datasets For Fraud Detection :Proyek Deteksi Penipuan Berbasis AI memanfaatkan algoritma pembelajaran mesin tingkat lanjut untuk mendeteksi transaksi penipuan. Dengan menganalisis kumpulan data yang diberikan, sistem mempelajari pola dan karakteristik yang terkait dengan aktivitas penipuan, sehingga memungkinkan sistem untuk mengklasifikasikan transaksi baru sebagai penipuan atau sah.

Proyek ini mencakup beberapa komponen utama:

Pra-pemrosesan data: Kumpulan data menjalani pembersihan, normalisasi, dan rekayasa fitur untuk mempersiapkannya untuk pelatihan model.

Pelatihan model: Model pembelajaran mesin dan pembelajaran mendalam, seperti XGBOOST atau ANN, dilatih menggunakan data yang telah diproses.

Evaluasi: Model yang telah dilatih dievaluasi menggunakan berbagai metrik, seperti presisi, recall, AUC, dan skor F1.
Deteksi penipuan: Sistem menerapkan model yang telah dilatih ke data baru yang belum pernah dilihat sebelumnya untuk mengidentifikasi potensi transaksi penipuan.

No record found.

Anda harus login terlebih dahulu untuk melihat data ini.

You must login first to see this data.