Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Journal of Applied Informatics Science
Nufus, Gina Khayatun
Unknown Affiliation
Computer Science & IT Control & Systems Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Analisis Ancaman Perang Siber terhadap Keamanan Nasional Indonesia: Tinjauan Eskalasi dan Mitigasi Tahun 2025 Dewantara, Rizki; Nufus, Gina Khayatun; Pranata, Eko Jhony; Djati, Fariz Noor
Journal of Applied Informatics Science Volume 2 Issue 1 (2026)
Publisher : GWS Tech Solution

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.65897/jais.v2.i1.80

Abstract

Kemajuan teknologi internet telah menciptakan interkoneksi global yang memicu ancaman perang siber terhadap keamanan nasional. Masalah utama yang dihadapi Indonesia adalah tingginya kerentanan terhadap serangan digital, dengan catatan tiga koma enam puluh empat miliar anomali trafik pada awal dua ribu dua puluh lima. Penelitian ini bertujuan untuk menganalisis berbagai jenis, tingkat bahaya, dan dampak serangan siber dalam mengganggu stabilitas kedaulatan negara. Metode penelitian yang digunakan adalah kualitatif non interaktif melalui pengkajian dokumen sekunder dari jurnal ilmiah dan laporan resmi otoritas siber. Hasil penelitian menunjukkan adanya fluktuasi anomali trafik yang signifikan dengan puncak tertinggi mencapai enam ratus lima belas koma empat juta kejadian pada Juni dua ribu dua puluh lima. Tren serangan mulai bergeser dari eksploitasi teknis menuju rekayasa sosial yang menyasar celah psikologis pengguna. Kesimpulannya, Indonesia masih berada dalam kategori negara rentan sehingga diperlukan penguatan regulasi serta peningkatan kapasitas sumber daya manusia untuk menghadapi evolusi ancaman siber.
XSentiment-HS: Hierarchical CNN-BiGRU-SVM with Explainable for Indonesian Multi-Level Hate Speech Detection Khayatun Nufus, Gina; Nufus, Gina Khayatun; Dewantara, Rizki; Susanto, Ardi; Sokid; Farhatuaini, Lia; Septiadi, Jaka; Akbar, Mohammad Raihan
Journal of Applied Informatics Science Volume 2 Issue 1 (2026)
Publisher : GWS Tech Solution

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.65897/jais.v2.i1.81

Abstract

Deteksi ujaran kebencian pada media sosial menuntut interpretasi teks yang kompleks karena sifatnya yang spontan dan ambigu, terutama dalam bahasa Indonesia yang kaya akan slang. Tantangan utama saat ini adalah keterbatasan penelitian sebelumnya yang mayoritas hanya melakukan klasifikasi biner tanpa mendeteksi tingkat keparahan konten. Penelitian ini mengusulkan XSentiment-HS, sebuah model deep learning hierarkis dua tahap untuk deteksi multi-tingkat hate speech. Arsitektur model menggabungkan Convolutional Neural Networks (CNN) untuk ekstraksi fitur lokal dan Bidirectional Gated Recurrent Unit (BiGRU) untuk menangkap ketergantungan kontekstual jangka panjang. Model ini juga diperkuat dengan mekanisme Multi-Head Attention dan Support Vector Machine (SVM) sebagai classifier final. Melalui integrasi ini, XSentiment-HS diharapkan mampu mengatasi tantangan ekstraksi fitur dan polisemi secara lebih efektif dibandingkan metode konvensional.
Integration of Particle Swarm Optimization in Bidirectional Memory Networks for Improved Daily Climate Forecasting Accuracy Susanto, Ardi; Kurniawan, Heru Purnomo; Farhatuaini, Lia; Wilsa, Muhammad Iszul; Nufus, Gina Khayatun; Amri, Ananda Sathria Maulana
Journal of Applied Informatics Science Volume 1 Issue 2 (2025)
Publisher : GWS Tech Solution

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.65897/jais.v1.i2.85

Abstract

Global climate change has caused rainfall patterns to become increasingly fluctuating and difficult to predict using conventional weather forecasting methods. Accurate daily rainfall prediction is crucial for hydrometeorological disaster mitigation and agricultural sector planning. Although Deep Learning models such as Long Short-Term Memory (LSTM) and Bidirectional LSTM (BiLSTM) are capable of handling complex time-series data, the manual determination of hyperparameters often results in suboptimal models and entrapment in local optima. This study proposes the integration of the Particle Swarm Optimization (PSO) algorithm to automatically optimize hyperparameters (number of hidden neurons, dropout rate, and learning rate) in LSTM and BiLSTM architectures. The models were evaluated using a multivariate daily climate observation dataset encompassing temperature, humidity, wind speed, and actual rainfall. Experimental results indicate that PSO-based optimization significantly enhances prediction performance compared to baseline models. The PSO-LSTM approach successfully reduced the Root Mean Square Error (RMSE) to 17.59 mm and Mean Absolute Error (MAE) to 9.07 mm, comparable to the performance of PSO-BiLSTM, which achieved an RMSE of 17.59 mm and an MAE of 9.20 mm. These findings prove that automatic parameter tuning using swarm intelligence algorithms can highly optimize sequential neural network architectures in capturing rainfall pattern volatility, making it highly recommended as a foundation for a more accurate early warning system.
Co-Authors Akbar, Mohammad Raihan Amri, Ananda Sathria Maulana Ardi Susanto Dewantara, Rizki Djati, Fariz Noor Farhatuaini, Lia Khayatun Nufus, Gina Kurniawan, Heru Purnomo Pranata, Eko Jhony Septiadi, Jaka Sokid Wilsa, Muhammad Iszul