Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal IKRA-ITH Informatika : Jurnal Komputer dan Informatika
Asnefi Asnefi
Universitas Patria Artha, Makasar
Computer Science & IT

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

Found 2 Documents
Search

 1 
Analisis dan Evaluasi Deteksi PenipuanTransaksi Kartu Kredit MenggunakanTeknik Undersampling dan Isolation Forest Asnefi Asnefi
IKRA-ITH Informatika : Jurnal Komputer dan Informatika Vol. 10 No. 2 (2026): IKRAITH-INFORMATIKA Vol 10 No 2 Juli 2026
Publisher : Fakultas Teknik Universitas Persada Indonesia YAI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37817/ikraith-informatika.v10i2.6740

Abstract

Penipuan dalam transaksi kartu kredit adalah bahaya besar yang mengancam sistem keuangan digital yang semakin berkembang. Masalah utama dalam membuat model untuk mendeteksi penipuan adalah adanya ketidakseimbangan yang sangat besar antara transaksi yang biasa dan transaksi yang berupa penipuan. Penelitian ini mengevaluasi seberapa efektif menggunakan kombinasi metode undersampling dan algoritma Isolation Forest untuk mendeteksi transaksi palsu pada kartu kredit. Dataset yang digunakan adalah dataset publik ULB dari Kaggle, yang berisi 284.807 transaksi kartu kredit, dengan hanya 492 transaksi (0,17%) yang teridentifikasi sebagai penipuan. Teknik undersampling digunakan untuk menjadikan distribusi kelas lebih seimbang sebelum model dilatih, sedangkan Isolation Forest digunakan sebagai cara deteksi anomali yang memanfaatkan pohon keputusan isolasi. Evaluasi dilakukan dengan menggunakan beberapa metrik yaitu Precision, Recall, F1-Score, dan Area Under Precision-Recall Curve (AUCPR). Hasil eksperimen menunjukkan bahwa menggunakan kombinasi Random Undersampling bersama dengan Isolation Forest memberikan nilai Recall sebesar 0,87 dan AUCPR sebesar 0,83, yang lebih baik dibandingkan dengan model yang tidak melakukan penyeimbangan data. Penelitian ini menunjukkan bahwa metode undersampling secara nyata membantu Isolation Forest dalam mendeteksi transaksi penipuan lebih baik, terutama pada data yang sangat tidak seimbang.
Pengembangan Framework Autonomous Cyber Defense Berbasis Deep Reinforcement Learning untuk Mitigasi Serangan (DDoS) Secara Adaptif Asnefi Asnefi
IKRA-ITH Informatika : Jurnal Komputer dan Informatika Vol. 10 No. 1 (2026): IKRAITH-INFORMATIKA Vol 10 No 1 Maret 2026
Publisher : Fakultas Teknik Universitas Persada Indonesia YAI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37817/ikraith-informatika.v10i1.7269

Abstract

Kompleksitas serangan Distributed Denial of Service (DDoS) yang kian dinamis memicu kegagalan sistem proteksi konvensional berbasis parameter statis. Menjawab tantangan tersebut, penelitian ini merancang arsitektur pertahanan siber mandiri (Autonomous Cyber Defense) berbasis kecerdasan buatan untuk mereduksi dampak serangan secara real-time. Melalui implementasi Deep Reinforcement Learning (DRL) dengan algoritma Deep Q-Network (DQN), agen cerdas dilatih untuk mengeksekusi tindakan mitigasi, seperti membuang paket (drop packet) atau membatasi laju data (rate limiting), berdasarkan fluktuasi metrik jaringan, seperti entropi IP dan laju paket. Pengujian menggunakan instrumen simulasi dan basis data serangan CICIDS2019 menunjukkan efektivitas model dengan tingkat akurasi identifikasi ancaman sebesar 94,5%. Sistem ini terbukti mampu memotong volume lalu lintas anomali hingga 85% sekaligus mempertahankan stabilitas akses bagi pengguna yang sah.
Co-Authors