Ðika – Blog

Manual File Carving (Recovery Data Lewat Hex)

Sun, 01 Feb 2026 00:00:00 +0000

Pernah kepikiran nggak kalau file yang kita hapus pakai Shift + Delete itu sebenarnya nggak benar-benar hilang?

Di lab ini akan ditunjukkan bagaimana cara mengambil data tersebut kembali secara manual lewat Hex Editor. Prosesnya dilakukan tanpa menggunakan tools otomatis, tapi dengan langsung menganalisis isi mentah (raw data) dari disk.

Apa itu File Carving?

Simpelnya, file carving adalah teknik mencari dan mengambil file berdasarkan isi filenya sendiri (byte demi byte), bukan lewat daftar isi folder (metadata). Teknik ini sangat ampuh kalau tabel index sistem file sudah rusak atau sengaja dihapus.

1. Persiapan Lab

File Image: Saya menggunakan file usb_fat_carving.001 (Raw image dari USB). Kamu bisa ambil bahannya di sini: wget https://github.com/frankwxu/digital-forensics-lab/raw/main/Basic_Computer_Skills_for_Forensics/file_carving/usb_image/120M.7z
Tools: HxD (Hex Editor).
Referensi Signature: Untuk tahu kode awal dan akhir file (Header/Trailer), saya pantau di sini: FileSig Database.

2. Langkah-Langkah Carving di HxD

Tujuan kita kali ini adalah menyelamatkan file gambar JPG. Kuncinya ada di dua titik: Header (awal) dan Trailer (akhir).

Langkah A: Mencari Header (Titik Awal File)

Setiap file JPG pasti punya kode “awal” yang sama atau disebut Magic Number.

Buka file usb_fat_carving.001 kamu di HxD.
Tekan Ctrl + F, pilih tab Hex-values, masukkan kode: FF D8 FF E0.
Kalau ketemu, klik pada byte FF pertama dan catat angka Offset-nya (misal: 52000). Ini adalah titik Start file kita.

Note: Biasanya akan ditemukan beberapa header JPG dalam satu disk image, namun untuk lab ini saya memilih yang pertama kali ditemukan.

Langkah B: Mencari Trailer (Titik Akhir File)

File JPG nggak akan bisa dibuka kalau tidak memiliki kode penutup yang lengkap, yaitu FF D9.

Masih di HxD, lakukan pencarian (Ctrl + F) untuk kode hex FF D9.
Tips: Karena kode FF D9 sering muncul di tengah data sebagai kode warna, pastikan kamu mencari yang posisinya paling logis—biasanya tepat sebelum blok data kosong (00 00 atau FF FF).
Gunakan fitur search Forward dari posisi header. Setelah ketemu yang diyakini sebagai akhir file, catat offset-nya.

Note: Berdasarkan praktikum saya, offset akhirnya terletak pada 66C34.

Langkah C: Ekstraksi Data (The Carving)

Gunakan fitur Select Block (Ctrl + E).
Masukkan alamat Start Offset (dari Langkah A) dan End Offset (dari Langkah B).
Penting: Tambahkan 1 byte pada End Offset di kolom pencarian agar karakter terakhir (D9) ikut terbawa sepenuhnya.
Kalau data sudah terblok (berwarna biru), tekan Copy (Ctrl + C).
Bikin tab baru di HxD (Ctrl + N), lalu Paste (Ctrl + V).
Simpan filenya lewat File > Save As, beri nama hasil_recovery.jpg.

3. Hasil Praktikum

Setelah file disimpan, saya mencoba membukanya secara normal. Hasilnya, file gambar berhasil dibuka dengan normal dan menampilkan gambar kucing tanpa kerusakan.

Kesimpulan

Manual file carving membantu memahami bagaimana data disimpan di dalam disk pada level biner. Dengan mengetahui header dan trailer suatu file, kita bisa mengambil kembali data yang sudah terhapus meskipun informasi dari file system-nya sudah tidak tersedia. Selama data tersebut belum tertimpa dan masih tersimpan secara berurutan, proses recovery masih bisa dilakukan menggunakan hex editor tanpa bantuan tools otomatis.

OSINT Investigasi Digital dengan Maigret

Tue, 25 Mar 2025 00:00:00 +0000

Maigret adalah alat OSINT (Open Source Intelligence) yang dirancang untuk melakukan pencarian informasi berdasarkan nama pengguna (username) di berbagai layanan online.

Alat ini dapat membantu dalam investigasi digital dengan mengumpulkan data yang tersedia secara publik dari berbagai situs web.

Persiapan Sebelum Instalasi

Sebelum menginstal Maigret, pastikan sistem Anda telah memiliki Python.
Cek versi Python dengan perintah berikut:

python3 --version

atau

python --version

Jika Python belum terinstall, unduh dan instal dari situs resmi:
https://www.python.org/downloads/

Fitur Utama Maigret

Mencari informasi berdasarkan username
Memeriksa keberadaan akun di ratusan situs
Menyimpan hasil investigasi dalam berbagai format (PDF, HTML, XMIND)
Memiliki antarmuka web untuk memudahkan penggunaan

Persiapan dan Instalasi

Ikuti langkah-langkah berikut untuk menginstal dan menjalankan Maigret di sistem Anda.

1. Clone Repository

Pertama, clone repository Maigret dari GitHub dengan perintah berikut:

git clone https://github.com/soxoj/maigret.git

2. Masuk ke Direktori Maigret

cd maigret

3. Buat Virtual Environment

Untuk menjaga kebersihan sistem, disarankan untuk menggunakan virtual environment:

python -m venv env
source env/bin/activate # Untuk Linux/macOS
env\Scripts\activate # Untuk Windows

4. Install Dependensi

Setelah virtual environment aktif, instal dependensi yang diperlukan:

pip install .

Menampilkan Bantuan

Jika ingin melihat opsi perintah yang tersedia, jalankan:

maigret --help

Output yang muncul akan seperti berikut:

usage: maigret [-h] [--version] [--timeout TIMEOUT] [--retries RETRIES]
[-n CONNECTIONS] [--no-recursion] [--no-extracting]
[--id-type {username,yandex_public_id,gaia_id,vk_id,ok_id,wikimapia_uid,steam_id,uidme_uguid,yelp_userid}]
[--permute] [--db DB_FILE] [--cookies-jar-file COOKIE_FILE]
[--ignore-ids IGNORED_IDS] [--folderoutput PATH]
[--proxy PROXY_URL] [--tor-proxy TOR_PROXY_URL]
[--i2p-proxy I2P_PROXY_URL] [--with-domains] [-a]
[--top-sites N] [--tags TAGS] [--site SITE_NAME]
[--use-disabled-sites] [--parse URL] [--submit URL]
[--self-check] [--stats] [--web [PORT]] [--print-not-found]
[--print-errors] [--verbose] [--info] [--debug] [--no-color]
[--no-progressbar] [-T] [-C] [-H] [-X] [-P] [-G] [-J TYPE]
[--reports-sorting {default,data}]
[USERNAMES ...]

Menjalankan Maigret untuk Investigasi

Untuk mencari informasi mengenai username tertentu, jalankan:

maigret username

Gantilah username dengan username target yang ingin dicari.

Contoh Output di Terminal

(Output Maigret saat mencari username di terminal)

Menjalankan Maigret dengan Antarmuka Web

Maigret dapat dijalankan dalam mode web dengan port 5000:

maigret --web 5000

Kemudian, buka browser dan akses:

http://127.0.0.1:5000

Tampilan Antarmuka Web Maigret

(Tampilan antarmuka web Maigret saat dijalankan dalam mode web)

Contoh Output dari Web Maigret

(Output dari web Maigret setelah memasukkan username)

Menyimpan Hasil Investigasi dalam Berbagai Format

Jika ingin menyimpan hasil investigasi, gunakan salah satu perintah berikut:

maigret user --html # Menyimpan dalam format HTML
maigret user --pdf # Menyimpan dalam format PDF
maigret user --xmind # Menyimpan dalam format XMIND

Gantilah user dengan username yang ingin dicari.

Kesimpulan

Maigret adalah alat OSINT yang berguna untuk melakukan investigasi berbasis username. Dengan fitur antarmuka web dan dukungan penyimpanan berbagai format, Maigret dapat digunakan oleh profesional keamanan siber, peneliti OSINT, dan siapa saja yang tertarik dalam investigasi digital.

Disclaimer

⚠️ Ini hanya untuk catatan pribadi saya saja

Exploration Data Analysis Sample Data Breach NPWP

Tue, 24 Dec 2024 00:00:00 +0000

Pada bulan September tanggal 18 2024, publik dihebohkan dengan dugaan kebocoran data terkait Nomor Pokok Wajib Pajak (NPWP) yang mencuat setelah seorang pengguna anonim di forum Breachforum.st

membagikan informasi tentang data tersebut. Pengguna dengan nama samaran “bjorka” di forum tersebut mengklaim memiliki data pribadi yang mencakup 6 Juta entri.

Sebagai bukti klaimnya, pelaku membagikan sampel data sebanyak 10 ribu entri secara gratis. Tidak hanya itu, pelaku juga menawarkan penjualan data lengkap dengan harga sekitar US$10 ribu atau sekitar Rp150 juta yang harus dibayar menggunakan mata uang kripto. Kebocoran ini memicu keprihatinan terkait keamanan data di Indonesia, terutama mengingat pentingnya data NPWP dalam administrasi perpajakan.

Leak Data Details

Data pribadi yang diperjualbelikan tersebut diantaranya, NIK, nomor handphone, NPWP, KLU, email dan lain-lain. Penjual memberikan sampel 10K data dalam format csv untuk meyakinkan pembeli sehingga dapat melakukan pengecekan apakah data yang diperjual belikan tersebut valid atau tidak.

Data Processing

Dalam proses analisis data ini akan menggunakan beberapa alat bantu utama, yaitu:

Google BigQuery sebagai platform penyimpanan dan pengolahan data. BigQuery mempermudah pengelolaan dan analisis data dalam jumlah besar dengan dukungan kueri berbasis SQL.
Metabase sebagai alat visualisasi data. Metabase memudahkan pembuatan laporan dan eksplorasi data melalui antarmuka yang sederhana dan intuitif.

Data sampel yang diberikan oleh penjual berjumlah 10 ribu entri dan telah diunggah ke Google BigQuery untuk pengolahan lebih lanjut. Proses analisis dilakukan untuk memahami pola dan informasi yang terkandung dalam data tersebut. Metabase digunakan untuk membuat visualisasi data seperti grafik dan tabel, sehingga mempermudah interpretasi dan eksplorasi berbagai dimensi data yang tersedia.

Data Analysis and Vizualisation

Total Emails : Dari total 10.015 entri data, terdapat 9.963 entri yang memiliki alamat email. Distribusi domain email tersebut dapat dilihat pada tabel berikut. Mayoritas entri menggunakan domain gmail.com (79.7%), diikuti oleh yahoo.com (11.6%), dan yahoo.co.id (3.8%). Sementara itu, sisanya tersebar di beberapa domain lain seperti yopmail.com, ymail.com, dan domain lainnya.

Email Domain	Jumlah	Persentase
gmail.com	7962	79.7%
yahoo.com	1160	11.6%
yahoo.co.id	376	3.8%
yopmail.com	121	1.2%
ymail.com	84	0.8%
mailnesia.com	66	0.7%
rocketmail.com	35	0.4%
Other	191	1.9%

Total TELP : Dari total 10.015 entri data, hanya terdapat 3.586 entri yang memiliki nomor telepon yang valid.

Kantor Wilayah :

Dari total 10.015 entri, KANTOR WILAYAH DJP JAWA TENGAH I menempati posisi tertinggi dengan 857 entri atau 8.56% dari total keseluruhan. Posisi ini diikuti oleh KANTOR WILAYAH DJP D.I. YOGYAKARTA dengan 796 entri (7.95%) dan KANTOR WILAYAH DJP JAWA BARAT I dengan 722 entri (7.21%).

Selain itu, terdapat kontribusi signifikan dari:

KANTOR WILAYAH DJP JAWA BARAT II: 697 entri (6.96%)
KANTOR WILAYAH DJP JAWA TENGAH II: 684 entri (6.83%)

Beberapa kantor wilayah lainnya memberikan kontribusi sebagai berikut:

KANTOR WILAYAH DJP JAWA TIMUR I: 5.65%
KANTOR WILAYAH DJP BALI: 5.16%
KANTOR WILAYAH DJP JAKARTA TIMUR: 4.92%

Sementara itu, sebanyak 24.11% atau 2.415 entri berasal dari kategori “other,” yang merepresentasikan data yang tidak terklasifikasikan secara spesifik ke kantor wilayah tertentu.

Klasifikasi Lapangan Usaha :

Mayoritas data menunjukkan bahwa 65.51% entri adalah pegawai swasta, diikuti oleh 22.82% pegawai negeri, 2.88% aktivitas praktik dokter, dan sisanya sebesar 8.80% termasuk kategori lainnya.

Visualisasi distribusi ini memberikan gambaran penting tentang jenis pekerjaan yang tercatat dalam data sampel. Kota :

Distribusi data berdasarkan kota menunjukkan bahwa Kota Semarang memiliki kontribusi sebesar 5.81% dari total entri. Kota Administrasi Jakarta Timur berada di urutan kedua dengan 4.95%, diikuti oleh Kota Surabaya dengan 4.52%.

Selanjutnya:

Kota Administrasi Jakarta Selatan mencatatkan kontribusi sebesar 4.05%
Sleman sebesar 3.75%
Kota Administrasi Jakarta Barat menyumbang 3.57%
Kota Bandung dengan 3.00%
Kabupaten Gresik sebesar 2.95%

Sementara itu, 67.39% entri lainnya berasal dari berbagai daerah lain di Indonesia yang dikelompokkan dalam kategori “other.” Provinsi :

Distribusi data berdasarkan provinsi menunjukkan bahwa DKI Jakarta menjadi provinsi dengan kontribusi tertinggi, mencapai 16.22% dari total data, diikuti oleh Jawa Tengah sebesar 15.41%, dan Jawa Barat sebesar 15.28%.

Provinsi lainnya dengan kontribusi signifikan:

Jawa Timur mencatatkan kontribusi sebesar 11.44%
Daerah Istimewa Yogyakarta berkontribusi sebesar 7.94%
Provinsi Bali menyumbang 5.16%
Banten sebesar 3.82%
Kalimantan Selatan sebesar 3.61%
Sumatera Utara mencatatkan kontribusi sebesar 2.53%

Sementara itu, 18.59% berasal dari berbagai provinsi lain di Indonesia yang dikelompokkan dalam kategori “Other.”

Visualisasi ini memberikan gambaran penting tentang penyebaran data berdasarkan wilayah geografis, memperlihatkan bahwa sebagian besar data berasal dari pulau Jawa, dengan DKI Jakarta sebagai penyumbang terbesar.

Full Dashboard

Kesimpulan

Analisis data menggunakan Google BigQuery dan Metabase menunjukkan distribusi menarik dalam data sampel yang meliputi email, nomor telepon, kantor wilayah, klasifikasi lapangan usaha, serta lokasi geografis. Mayoritas entri menggunakan domain email gmail.com dan yahoo.com, sementara data berdasarkan kantor wilayah memperlihatkan sebaran yang cukup merata dengan kontribusi terbesar dari wilayah Jawa. Selain itu, analisis mengenai klasifikasi lapangan usaha mengungkapkan dominasi pegawai swasta sebagai jenis pekerjaan terbanyak. Visualisasi ini memberikan wawasan yang berguna untuk memahami pola dan karakteristik distribusi data yang lebih luas di Indonesia.

Text Analytics pada Akun FUFUFAFA di Platform KASKUS

Wed, 04 Dec 2024 00:00:00 +0000

Di tengah hiruk pikuk media sosial, munculnya kontroversi seputar akun Fufufafa di platform Kaskus telah menarik perhatian publik Indonesia.

Tanpa bermaksud mengungkap identitas pemilik akun, artikel ini akan fokus pada analisis konten tekstual dari postingan-postingan yang dibuat.

Pengumpulan Data

Artikel ini menggunakan teknik web scraping untuk mengumpulkan data dari postingan akun Fufufafa di Kaskus. Proses ini dilakukan dengan skrip otomatis yang secara sistematis mengekstraksi teks, tanggal, dan metadata lainnya dari setiap postingan. Total dataset yang terkumpul mencakup 1.900 postingan dalam rentang waktu 2013 hingga 2019. Dari hasil scraping, berikut adalah contoh data yang diperoleh:

Date	Replied To	Thread Title	Post Content
14-11-2019 09:54	beritafilistin	Perekam Wanita di Kamar Ganti Baju Mall Kerap Ceramah Agama di Medsos	Dia pasti alumni 212
1/10/2019 5:38:00 PM	ibelindua	Gubernur Anies Sampaikan Ancaman Penggantian Ideologi Pancasila Dengan Komunis	Gak pernah ngaca ya
28-09-2019 10:56	matadewa909	Kecewa Ponakan Prabowo Batal Baca Doa, Gerindra WO dari MPR	Alumni 212 mana suaranya
17-09-2019 12:41	SENORITA88	Pria India Bikin Helm Pakai AC, Kepala Dingin Saat Macet	Malah masuk angin ntar
28-08-2019 13:45	matthysse76	Jokograd & Mandalanusa, Usulan Nama Ibu Kota Baru Indonesia Menurut Warganet	Wowoland city of kamprets

Text Analytics ?

Text analytics adalah proses mengolah data tekstual tidak terstruktur menjadi informasi bermakna yang dapat dianalisis. Teknik ini digunakan untuk menemukan pola, tren, dan wawasan dari data dalam skala besar.

Berikut adalah hasil analisis berdasarkan dataset yang tersedia:

1. Word Cloud Analysis

Berdasarkan word cloud yang dianalisis, terlihat bahwa beberapa kata kunci muncul dengan frekuensi tinggi, menunjukkan tema utama diskusi akun Fufufafa di platform Kaskus. Kata-kata berikut menjadi pusat perhatian:

Nama tokoh politik: Kata seperti “Jokowi” dan “Prabowo” mendominasi, mengindikasikan fokus pada diskusi politik dan tokoh pemimpin di Indonesia.
Kata emosional: Kata seperti “bodoh,” “ngakak,” dan “panasbung” muncul dengan intensitas tinggi. Hal ini menggambarkan nada percakapan yang cenderung emosional dan satir.
Istilah kontroversial: Kata seperti “kampret” menunjukkan keberadaan istilah yang sering digunakan dalam perdebatan politik online.

Secara keseluruhan, word cloud ini mengindikasikan bahwa diskusi yang melibatkan akun ini kerap bersinggungan dengan isu politik nasional, sering disertai dengan nada yang emosional dan kadang-kadang sarkastik.

2. Bigram Analysis

Visualisasi bigram menunjukkan frasa dua kata yang paling sering muncul dalam postingan. Bigram yang mendominasi adalah:

“hidup prabowo”
“om wowo”
“ts bodoh”
“jokowi jokowi”
“prabowo pemimpin”
“om ucril”
“tukang fitnah”
“macan asia”

Interpretasi

Bigram seperti “hidup prabowo” dan “prabowo pemimpin” menunjukkan dukungan terhadap sosok tertentu dalam politik.
“Om wowo” dan “jokowi jokowi” mengindikasikan bahwa kedua nama tersebut sering disebut berulang kali dalam diskusi.
Bigram seperti “ts bodoh” dan “tukang fitnah” mencerminkan penggunaan bahasa yang cenderung emosional atau sarkastik dalam percakapan.

Bigram yang muncul memperkuat temuan sebelumnya bahwa diskusi dalam dataset ini memiliki nuansa politik yang kuat dengan elemen dukungan, kritik, serta penggunaan bahasa yang ekspresif.

3. Sentiment Analysis

Tahap ini menggunakan pendekatan lexicon-based sentiment analysis untuk menganalisis sentimen dari setiap postingan. Dengan memanfaatkan kamus sentimen dari Repository GitHub, setiap kata diberi bobot positif atau negatif berdasarkan makna emosionalnya.

Berikut adalah contoh hasil analisis sentimen untuk lima konten:

Contents	Sentiment
Anjrit ngomong apa sih wkwkwkkw	Negatif
Kwkwkw kampret insaf	Negatif
Suruh jadi imam sholat dulu	Netral
Gak pernah ngaca ya	Positif
Wowoland city of kamprets	Netral

Word Cloud Sentimen

Selain distribusi sentimen, word cloud membantu mengidentifikasi kata-kata yang paling sering muncul dalam masing-masing kategori sentimen.

Word Cloud Sentimen Negatif

Kata-kata yang dominan dalam kategori ini umumnya berkaitan dengan kritik, makian, atau sindiran yang kuat.
Word Cloud Sentimen Positif

Kata-kata di sini banyak berkaitan dengan ekspresi kebahagiaan, apresiasi, atau candaan ringan.
Word Cloud Sentimen Netral

Postingan dalam kategori ini sering kali mengandung informasi umum atau tidak menunjukkan emosi yang kuat.

Analisis sentimen ini memberikan gambaran tentang bagaimana emosi pengguna tercermin dalam postingan mereka. Pemahaman lebih lanjut dapat dilakukan dengan menggali konteks penggunaan kata dalam setiap kategori sentimen.

4. Time Series Analysis

Analisis ini dilakukan dalam dua bagian:

Time Series Berdasarkan Postingan:
Aktivitas posting mencapai puncaknya pada tahun 2014 bulan mei, bertepatan dengan menjelangnya peristiwa pemilu di Indonesia.
Time Series Berdasarkan Sentimen:

Sentimen negatif memiliki frekuensi tertinggi selama periode puncak, mengindikasikan bahwa akun ini banyak memberikan kritik atau pandangan negatif pada periode tersebut.
Sentimen netral berada di posisi kedua, menunjukkan adanya diskusi informatif atau opini yang tidak terlalu polar.
Sentimen positif meskipun lebih sedikit, tetap menunjukkan bahwa akun ini juga memberikan pandangan yang mendukung atau optimis pada beberapa kesempatan.

Kesimpulannya, aktivitas akun fufufafa di Kaskus sangat dipengaruhi oleh momen-momen tertentu, terutama terkait politik, dengan kecenderungan dominasi sentimen negatif selama puncak aktivitas.

5. Text Network

Visualisasi Text Network di atas menggambarkan hubungan antar kata dalam dataset yang dianalisis. Semakin besar ukuran node (lingkaran), semakin sering kata tersebut muncul dalam teks. Garis yang menghubungkan antar kata menunjukkan hubungan atau kemunculan kata-kata tersebut dalam satu konteks yang sama.

Interpretasi:

Kata-kata utama
Beberapa kata dengan node yang lebih besar, seperti bodoh, prabowo, panasbung, dan jokowi, menunjukkan bahwa kata-kata ini sering muncul dalam dataset dan memiliki keterkaitan tinggi dengan kata-kata lain.
Hubungan antar kata
- Kata bodoh memiliki banyak koneksi dengan berbagai kata lain, yang mengindikasikan sering digunakan dalam berbagai konteks.
- Prabowo dan Jokowi menunjukkan keterkaitan dengan kata-kata politik seperti rakyat, presiden, dan kampret.
- Kata panasbung (panasbunglon) juga memiliki koneksi yang cukup banyak, yang mungkin menunjukkan diskusi seputar opini politik.
Polarisasi opini
- Beberapa kata seperti kampret, fitnah, dan najs bisa menunjukkan adanya sentimen negatif atau ujaran sarkasme dalam diskusi.
- Sebaliknya, kata-kata seperti orang, hidup, dan rakyat mungkin lebih netral atau umum digunakan dalam berbagai diskusi.

6. Topic Modelling

Pada tahap ini, dilakukan Topic Modelling menggunakan BERTopic untuk mengidentifikasi topik utama yang muncul dalam kumpulan teks. BERTopic bekerja dengan cara mengelompokkan teks berdasarkan representasi vektor dari kata-kata yang digunakan.

Metode yang Digunakan

Dalam implementasi ini, model BERTopic dikonfigurasi dengan:

Vectorizer Model: CountVectorizer
Model menggunakan CountVectorizer dari sklearn.feature_extraction.text untuk mengubah teks menjadi representasi berbasis Term Frequency (TF). Ini berarti model hanya menghitung frekuensi kemunculan kata dalam teks.
Clustering: BERTopic Default
BERTopic secara otomatis akan menerapkan teknik dimensionality reduction (UMAP) dan metode clustering (HDBSCAN) di latar belakang.

Interpretasi:

Topic 0 (Politik dan Tokoh Publik)
- Kata-kata seperti prabowo, jokowi, panasbung, presiden, dan kampret menunjukkan bahwa topik ini berkaitan dengan perbincangan politik, khususnya figur publik dan afiliasi politik mereka.
Topic 1 (Sentimen Negatif dan Opini Kasar)
- Kata-kata dominan seperti bodoh, bodo, nasbung, dan salah menunjukkan adanya opini negatif, kritik, atau sindiran terhadap suatu pihak dalam diskusi.
Topic 2 (Ekspresi dan Ungkapan Slang)
- Kata-kata seperti mampus, please, god, jon, dan bocah mengindikasikan percakapan yang lebih santai atau mungkin terkait dengan ujaran emosional dalam diskusi.
Topic 3 (Aksi Sosial dan Kampus)
- Kata-kata seperti alumni, 212, boikot, demo, dan kampusnya menunjukkan topik yang berkaitan dengan gerakan sosial, aksi mahasiswa, atau peristiwa di lingkungan akademik.

Visualisasi ini membantu dalam memahami bagaimana percakapan dalam kumpulan data dapat dikelompokkan ke dalam beberapa topik utama.

7. NLP: Named Entity Recognition

Named Entity Recognition (NER) digunakan untuk mendeteksi nama tokoh yang sering muncul dalam teks. Model yang digunakan adalah cahya/bert-base-indonesian-NER dari Hugging Face.

Hasil:

Prabowo paling sering disebut, diikuti oleh Jokowi.
SBY dan Ahok muncul lebih sedikit tetapi tetap signifikan.

Kesimpulan

Melalui analisis ini, dapat menemukan pola komunikasi yang dinamis dari akun Fufufafa di Kaskus. Aktivitas akun ini menunjukkan lonjakan besar pada pertengahan tahun 2014, yang kemungkinan terkait dengan peristiwa politik penting, dengan fokus pada diskusi tokoh politik tertentu seperti terlihat dari bigram dominan, misalnya “hidup prabowo” dan “prabowo pemimpin.”

Sentimen yang muncul pada periode tersebut cenderung didominasi oleh sentimen negatif, meskipun sentimen netral juga signifikan. Hal ini menunjukkan bahwa diskusi pada saat itu kemungkinan besar melibatkan kritik atau debat yang intens terhadap isu-isu yang sedang hangat.

Pendekatan berbasis data ini memberikan wawasan objektif tentang pola komunikasi akun tersebut. Walaupun terdapat keterbatasan dalam analisis sentimen berbasis lexicon-based sentiment analysis, hasil ini tetap memberikan gambaran umum yang relevan.

Oleh karena itu, text analytics dapat dianggap sebagai alat yang efektif untuk memahami pola komunikasi dan tren di platform digital.

Disclaimer

⚠️ Hasil analisis ini didasarkan pada kode yang mungkin masih memiliki keterbatasan atau kesalahan. Selain itu, sentiment analysis berbasis lexicon dapat kurang interpretatif dalam menangani sarkasme, ironi, atau konteks bahasa yang kompleks. Oleh karena itu, hasil ini sebaiknya digunakan sebagai wawasan awal dan tidak dianggap sebagai kesimpulan mutlak.

Cara Menggunakan Sherlock untuk OSINT Berdasarkan Username

Thu, 28 Nov 2024 00:00:00 +0000

OSINT (Open Source Intelligence) adalah teknik pengumpulan informasi dari sumber yang tersedia untuk umum. Informasi ini dapat berupa media sosial, blog, forum, situs web, atau data lainnya yang dapat diakses tanpa memerlukan otorisasi khusus.

OSINT banyak digunakan dalam investigasi digital untuk menemukan jejak online seseorang, misalnya berdasarkan nama pengguna, alamat email, atau informasi publik lainnya.

Manfaat OSINT

Menemukan data yang relevan dari berbagai platform.
Mendukung investigasi digital atau keamanan siber.
Melakukan analisis mendalam tanpa melanggar hukum.

Apa itu Sherlock?

Sherlock adalah alat OSINT berbasis Python yang dirancang khusus untuk mencari jejak digital seseorang berdasarkan username. Alat ini mempermudah Anda menemukan akun yang menggunakan username tertentu di berbagai platform seperti media sosial, forum, dan layanan lainnya.

Fitur Sherlock

Dukungan pencarian di ratusan situs web populer.
Kemudahan penggunaan dengan antarmuka berbasis Command Line.
Kemampuan untuk menyaring hasil dan menyimpan laporan.

Sherlock sangat cocok digunakan oleh profesional keamanan, peneliti OSINT, atau bahkan pengguna biasa yang ingin mengeksplorasi jejak digital mereka sendiri.

Langkah-langkah Menggunakan Sherlock

1. Instalasi Sherlock

Sebelum memulai, pastikan Anda sudah menginstal Python di komputer Anda.

a. Clone Repository Sherlock

Gunakan perintah berikut untuk mengunduh Sherlock dari GitHub:

git clone https://github.com/sherlock-project/sherlock.git
cd sherlock

b. Instal Dependensi

Jalankan perintah berikut untuk menginstal semua library yang diperlukan:

pip install -r requirements.txt

2. Menjalankan Sherlock

Setelah instalasi selesai, Anda dapat langsung menggunakan Sherlock untuk mencari username.

Contoh Perintah Pencarian

Gunakan perintah berikut untuk mencari username tertentu:

python -m sherlock_project username

Contoh Output :

[+] Twitter: https://twitter.com/username
[+] Instagram: https://instagram.com/username
[-] Facebook: Not Found

Kesimpulan

Sherlock adalah alat yang sederhana namun sangat powerful untuk mengumpulkan informasi OSINT berdasarkan username. Dengan langkah-langkah di atas, Anda dapat mulai mengeksplorasi jejak digital seseorang atau memverifikasi keberadaan akun di berbagai platform. Gunakan alat ini secara etis dan bertanggung jawab.

Ðika – Blog

Manual File Carving (Recovery Data Lewat Hex)

Apa itu File Carving?

1. Persiapan Lab

2. Langkah-Langkah Carving di HxD

Langkah A: Mencari Header (Titik Awal File)

Langkah B: Mencari Trailer (Titik Akhir File)

Langkah C: Ekstraksi Data (The Carving)

3. Hasil Praktikum

Kesimpulan

OSINT Investigasi Digital dengan Maigret

Table of Contents

Persiapan Sebelum Instalasi

Fitur Utama Maigret

Persiapan dan Instalasi

1. Clone Repository

2. Masuk ke Direktori Maigret

3. Buat Virtual Environment

4. Install Dependensi

Menampilkan Bantuan

Menjalankan Maigret untuk Investigasi

Contoh Output di Terminal

Menjalankan Maigret dengan Antarmuka Web

Tampilan Antarmuka Web Maigret

Contoh Output dari Web Maigret

Menyimpan Hasil Investigasi dalam Berbagai Format

Kesimpulan

Disclaimer

Exploration Data Analysis Sample Data Breach NPWP

Table of Contents

Leak Data Details

Data Processing

Data Analysis and Vizualisation

Full Dashboard

Kesimpulan

Text Analytics pada Akun FUFUFAFA di Platform KASKUS

Pengumpulan Data

Text Analytics ?

1. Word Cloud Analysis

2. Bigram Analysis

Interpretasi

3. Sentiment Analysis

Word Cloud Sentimen

4. Time Series Analysis

5. Text Network

Interpretasi:

6. Topic Modelling

Metode yang Digunakan

Interpretasi:

7. NLP: Named Entity Recognition

Hasil:

Kesimpulan

Disclaimer

Cara Menggunakan Sherlock untuk OSINT Berdasarkan Username

Table of Contents

Manfaat OSINT

Apa itu Sherlock?

Fitur Sherlock

Langkah-langkah Menggunakan Sherlock

1. Instalasi Sherlock

a. Clone Repository Sherlock

b. Instal Dependensi

2. Menjalankan Sherlock

Contoh Perintah Pencarian

Kesimpulan