Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Indonesian Journal of Research and Service Studies Asian Journal of Multidisciplinary Research
Wemby Juniarrochman
STIMIK LIKMI
Religion Humanities Education Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Public Health Social Sciences Other

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

Found 2 Documents
Search

 1 
Pengembangan Arsitektur Federated Learning untuk Privacy-Preserving Analytics pada Sistem IoT Skala Besar Abdurrohman Abdurrohman; Wemby Juniarrochman
Asian Journal of Multidisciplinary Research Vol. 3 No. 1 (2026): Asian Journal of Multidisciplinary Research
Publisher : Jujurnal Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59613/tdf9mr96

Abstract

Penelitian ini mengembangkan arsitektur Federated Learning (FL) hierarkis tiga tingkat untuk mengatasi berbagai tantangan pokok dan signifikan terkait privasi, skalabilitas, serta heterogenitas data pada sistem Internet of Things (IoT) skala besar. Melalui pendekatan terintegrasi, arsitektur yang diusulkan mengintegrasikan perangkat edge, gateway cluster, dan server cloud, yang dilengkapi dengan mekanisme privacy-preserving bertingkat menggabungkan differential privacy, secure aggregation, dan audit berbasis blockchain. Algoritma agregasi adaptif (FedAdapt) dirancang khusus untuk menangani data non-IID dan serangan Byzantine secara robust. Hasil eksperimen pada tiga domain aplikasi utama menunjukkan dengan jelas bahwa arsitektur mencapai akurasi rata-rata 92,8% serta yang menekan overhead komunikasi hingga 73,4% dibandingkan pendekatan standar. Sistem ini juga terbukti sangat tangguh terhadap serangan hingga 30% klien jahat, dengan tingkat keberhasilan serangan inferensi ditekan dari 72,3% menjadi 8,1%. Secara keseluruhan, arsitektur yang dikembangkan menawarkan keseimbangan optimal antara akurasi, efisiensi, dan privasi, menjadikannya solusi praktis dan skalabel untuk implementasi analitik data cerdas pada ekosistem IoT masa depan.
Sistem Rekomendasi Adaptif Berbasis Graph Neural Network dengan Multi-Modal Fusion untuk E-Commerce Lokal Abdurrohman Abdurrohman; Wemby Juniarrochman
Indonesian Journal of Research and Service Studies Vol. 3 No. 1 (2026): Indonesian Journal of Research and Service Studies
Publisher : Jujurnal Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59613/wst0nx87

Abstract

Sistem rekomendasi pada platform e-commerce lokal menghadapi tantangan signifikan berupa data sparsity, keragaman modalitas informasi produk, dan dinamika preferensi konsumen yang dipengaruhi oleh konteks budaya dan sosial-ekonomi regional. Penelitian kepustakaan ini bertujuan mengembangkan kerangka Sistem Rekomendasi Adaptif Berbasis Graph Neural Network dengan Multi-Modal Fusion yang mengintegrasikan tiga pilar utama—GNN untuk pemodelan struktur relasional, multi-modal fusion untuk pemahaman konten multimodal yang kaya, dan mekanisme adaptasi untuk penyesuaian dinamis terhadap perubahan preferensi dan konteks lokal. Melalui analisis konten terhadap 47 artikel jurnal, 23 makalah konferensi, dan 12 buku teks, ditemukan bahwa integrasi ketiga komponen menghasilkan efek sinergis dengan peningkatan performa rata-rata 25-35% pada metrik Recall dan NDCG dibandingkan pendekatan tunggal. Modalitas tekstual memberikan kontribusi terbesar terhadap akurasi, sementara modalitas visual lebih berperan pada diversity rekomendasi. Mekanisme adaptasi pada level fusion terbukti lebih efektif (10-15% peningkatan) dibandingkan adaptasi pada level rekomendasi (5-8%). Penelitian ini berkontribusi pada pengembangan ilmu pengetahuan melalui kerangka konseptual terintegrasi serta memberikan panduan praktis bagi pengembangan sistem rekomendasi yang adaptif terhadap karakteristik unik e-commerce lokal.
Co-Authors Abdurrohman Abdurrohman