Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal InComTech: Jurnal Telekomunikasi dan Komputer Jurnal Algoritma
Erik IH Ujianto
Universitas Teknologi Yogyakarta
Computer Science & IT Electrical & Electronics Engineering Engineering

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

Found 2 Documents
Search

 1 
Rancang Bangun Kerangka Kerja X-UEBA dengan Fusi Skor Risiko Dinamis untuk Deteksi Ancaman Insider Fatih Ahmad Zakaria; Erik IH Ujianto; Rianto
Jurnal Algoritma Vol 23 No 1 (2026): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.23-1.3268

Abstract

Insider threat detection faces major challenges in the form of high false positive rates and limited interpretability in single machine learning models. This study proposes the Explainable User and Entity Behavior Analytics (X-UEBA) framework, which integrates Isolation Forest for static anomaly detection and Stacked BiLSTM for temporal patterns, enhanced by a domain-knowledge-based Logic Injection mechanism. Unlike conventional hybrid approaches, this system employs dynamic risk score fusion with threshold optimization (F1-Score Optimized Thresholding) to address extreme class imbalance. Experimental results on the CERT r4.2 dataset show that the model achieves an AUC of 0.68 with a sensitivity (Recall) of 43% against valid attacks. The system proved effective in reducing operational overhead by filtering out 261,967 normal activities (significantly reduced search space), while SHAP integration provides transparency into detection decisions. This research contributes to delivering a security solution that balances adaptive detection coverage with operational validity that analysts can trust.
Optimasi Deteksi DDoS Berbasis Hybrid CNN-LSTM dengan Recursive Feature Elimination pada Software-Defined Networking Wayan Praka; Andri Yudha Pratama; Erik IH Ujianto; Rianto Rianto
InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 2 (2026)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Keamanan pada arsitektur Software-Defined Networking (SDN) menghadapi ancaman kritis dari evolusi serangan Distributed Denial of Service (DDoS) yang mengeksploitasi celah Single Point of Failure pada controller. Penelitian ini bertujuan mengoptimalkan model deep learning melalui pengembangan arsitektur Ultra-Fast Hybrid CNN-LSTM yang terintegrasi dengan teknik seleksi fitur Recursive Feature Elimination (RFE). Menggunakan dataset modern CIC-DDoS2019 yang memiliki dimensi tinggi, penelitian ini berhasil mereduksi 77 fitur asli menjadi 25 fitur paling berpengaruh guna mengatasi masalah curse of dimensionality dan meminimalkan beban komputasi. Hasil eksperimen menunjukkan bahwa model optimasi mencapai tingkat akurasi sebesar 91,80% dengan keunggulan signifikan pada aspek efisiensi teknis. Dibandingkan dengan model baseline, arsitektur ini memberikan peningkatan waktu pelatihan sebesar 18,91% lebih cepat 64,42 detik dan responsivitas deteksi 12,63% lebih tinggi dengan latensi hanya 0,00003826 detik per paket. Temuan ini menegaskan bahwa sinergi antara reduksi fitur RFE dan arsitektur hibrida yang ramping sangat efektif dalam menjamin ketersediaan layanan pada infrastruktur SDN secara real-time dengan penggunaan sumber daya yang minimal.
Co-Authors Andri Yudha Pratama Fatih Ahmad Zakaria Rianto Rianto Wayan Praka