Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal TEKTRIKA - Jurnal Penelitian dan Pengembangan Telekomunikasi, Kendali, Komputer, Elektrik, dan Elektronika Electrician : Jurnal Rekayasa dan Teknologi Elektro
Heriansyah
Institut Teknologi Sumatera
Control & Systems Engineering Electrical & Electronics Engineering Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Hardware-Constrained Feature-Slicing Ensemble for Explainable DDoS Detection in Software-Defined Networks Rifqy Hakimi; Wervyan Shalannanda; Heriansyah
Electrician : Jurnal Rekayasa dan Teknologi Elektro Vol. 20 No. 2 (2026)
Publisher : Department of Electrical Engineering, Faculty of Engineering, Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/elc.v20n2.3196

Abstract

Software-Defined Networking (SDN) provides centralised network management but introduces a critical structural vulnerability because the controller is highly susceptible to Distributed Denial of Service (DDoS) attacks. While Machine Learning is widely utilised for Intrusion Detection Systems, traditional monolithic models often operate as opaque black boxes, rely on easily spoofed categorical features, and ignore the severe computational latency limits of centralised controllers. This paper proposes a novel, hardware-constrained Feature-Slicing Ensemble architecture for DDoS detection. We partition network data into two domain-specific subsets, namely Header Features and Flow Statistics, while deliberately excluding evasion-prone identifiers to prevent data leakage. Specialised, depth-constrained Random Forest base learners are trained on each subset to simulate controller CPU limitations, with predictions aggregated using a soft-voting mechanism. Evaluated on the InSDN dataset using 5-fold stratified cross-validation, our proposed model achieved an F1-Score of 0.9954. While maintaining strict statistical parity with unconstrained monolithic baselines, the decoupled architecture provides critical explainability, allowing network administrators to isolate structural anomalies from volumetric floods. This demonstrates that logical feature partitioning improves model modularity and real-world evasion resilience without sacrificing predictive precision.
IMPLEMENTASI RANCANG BANGUN ALAT PENGHITUNG KENDARAAN BERBASIS KECERDASAN BUATAN DENGAN METODE BACKGROUND SUBTRACTION Jodi Istopan Perdana; YOGA MAULANA PRASTYO; HERIANSYAH; AFIT MIRANTO
TEKTRIKA Vol 11 No 1 (2026): TEKTRIKA Vol. 11 No. 1 2026
Publisher : Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/tektrika.v11i1.3827

Abstract

Kepadatan lalu lintas menjadi parameter penting yang perlu diperhatikan guna menunjang peningkatan infrastruktur saat ini. Volume kendaraan yang melintas di suatu wilayah jika tidak diimbangi dengan peningkatan infrastruktur akan menimbulkan permasalahan baru seperti kemacetan atau bahkan hingga kecelakaan lalu lintas. Salah satu upaya menganalisis kepadatan lalu lintas adalah dengan melakukan perhitungan kendaraan yang melewati kawasan tersebut. Metode konvensional saat ini dinilai kurang efektif karena harus melakukan perhitungan manual pada kendaraan yang melintas. Oleh karena itu, dalam makalah ini mengusulkan perhitungan kendaraan yang memanfaatkan kecerdasan buatan. Dengan memanfaatkan metode pengurangan latar belakang yang diperlukan untuk beradaptasi dengan perubahan bingkai. Bingkai latar belakang akan selalu diperbarui terhadap intensitas latar belakang berikutnya. Dengan demikian sistem akan dapat mendeteksi perubahan objek yang terdeteksi dari perbandingan latar belakang dengan bingkai saat ini. Objek yang terdeteksi berupa kendaraan dan dilakukan klasifikasi jenis kendaraan berdasarkan besarnya piksel. Tingkat keberhasilan dan akurasi dari metode ini diperoleh dari menghitung nilai presisi, recall, dan nilai F-measurement yang merupakan perbandingan rata-rata presisi dan recall yang dibobotkan. Pada pengujian yang dilakukan diperoleh nilai Recall = 84.50%, Precision = 61.90%, dan F = 71.45% sehingga diperoleh nilai akurasi sebesar 94.83%.
Co-Authors Afit Miranto Jodi Istopan Perdana Rifqy Hakimi Wervyan Shalannanda YOGA MAULANA PRASTYO