Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Arda Surya Editya
Informatika, Universitas Nahdlatul Ulama Sidoarjo
Computer Science & IT

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

Found 3 Documents
Search

 1 
KLASIFIKASI SERANGAN CROSS-SITE SCRIPTING (XSS) MENGGUNAKAN MODEL DEEP LEARNING BERBASIS TRANSFORMER Naufal Eurasia N; Arda Surya Editya
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18192

Abstract

Cross-Site Scripting (XSS) merupakan salah satu jenis serangan siber yang sering terjadi pada aplikasi web dan dapat menyebabkan pencurian data pengguna, manipulasi konten, serta pengambilalihan sesi pengguna. Permasalahan yang muncul adalah metode deteksi tradisional berbasis aturan (rule-based) memiliki keterbatasan dalam mengenali variasi payload serangan yang terus berkembang dan semakin kompleks. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model klasifikasi serangan Cross-Site Scripting menggunakan pendekatan deep learning berbasis arsitektur Transformer. Metode yang digunakan memanfaatkan model BERT (Bidirectional Encoder Representations from Transformers) untuk menangkap hubungan kontekstual antar-token dalam payload. Dataset yang digunakan terdiri dari payload benign dan malicious yang melalui tahapan preprocessing, tokenisasi, serta pembagian data menjadi data latih dan data uji. Hasil eksperimen menunjukkan bahwa model Transformer berbasis BERT mampu mengklasifikasikan payload XSS secara efektif dengan performa yang lebih baik dibandingkan model deep learning konvensional, sehingga berpotensi meningkatkan kemampuan sistem keamanan aplikasi web dalam mendeteksi serangan XSS secara otomatis dan adaptif.
ANALISIS PEMANFAATAN LARGE LANGUAGE MODEL DALAM PENANGANAN KASUS KESEHATAN MENTAL Achmad Muafi Taufiqurrochman; Arda Surya Editya; Ahmad Khoir Alhaq
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18369

Abstract

Permasalahan kesehatan mental di Indonesia masih terhambat oleh terbatasnya akses layanan dan tenaga profesional. Chatbot berbasis Large Language Model (LLM) berpotensi menjadi alternatif dukungan psikologis awal. Namun, efektivitas chatbot sangat bergantung pada relevansi dan akurasi respons terhadap kebutuhan pengguna. Penelitian ini bertujuan mengevaluasi kinerja lima model LLM (GPT-4o, GPT-5, Claude Haiku 4.5, Gemini 3 Pro, dan Deepseek V3.2) dalam menghasilkan respons chatbot penanganan kesehatan mental. Metode yang digunakan menerapkan pendekatan Retrieval-Augmented Generation (RAG) dengan menambahkan konteks dari knowledge base eksternal. Evaluasi dilakukan terhadap 20 pertanyaan pengujian. Respons model kemudian dibandingkan dengan ground truth menggunakan metrik BLEU-4 dan ROUGE. Hasil penelitian menunjukkan penerapan RAG secara signifikan mampu meningkatkan kualitas respons chatbot. Di antara seluruh model, Deepseek v3.2 memperoleh performa terbaik dan tertinggi pada seluruh metrik evaluasi. Integrasi RAG dengan LLM yang tepat terbukti menjadi pendekatan menjanjikan dalam mengembangkan chatbot pendukung kesehatan mental.
PENGEMBANGAN SISTEM WHATSAPP GATEWAY BERBASIS LARGE LANGUAGE MODEL (LLM) PADA PMB UNUSIDA MENGGUNAKAN METODE RAG Ferdie Arya Jantanu; Arda Surya Editya
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18437

Abstract

Perkembangan teknologi informasi mendorong perguruan tinggi untuk menyediakan layanan yang cepat, responsif, dan mudah diakses, khususnya pada proses Penerimaan Mahasiswa Baru (PMB). Permasalahan yang terjadi di UNUSIDA adalah tingginya volume pertanyaan calon mahasiswa melalui WhatsApp yang masih dilayani secara manual, sehingga menyebabkan keterlambatan respons dan menurunkan efisiensi layanan. Penelitian ini bertujuan untuk mengembangkan sistem WhatsApp Gateway berbasis Large Language Model (LLM) dengan pendekatan Retrieval-Augmented Generation (RAG) guna menghasilkan respons otomatis yang relevan dan kontekstual. Metode yang digunakan adalah pengembangan sistem dengan mengintegrasikan WhatsApp Gateway berbasis Node.js, platform otomasi n8n sebagai pengelola alur komunikasi, DeepSeek API sebagai model kecerdasan buatan, serta Google Sheet sebagai sumber data eksternal. Pengujian sistem dilakukan menggunakan metode black-box testing untuk mengevaluasi fungsionalitas dan kualitas respons. Hasil penelitian menunjukkan bahwa sistem mampu memberikan respons secara cepat, akurat, dan tersedia selama 24 jam, sehingga efektif dalam meningkatkan kualitas layanan informasi PMB serta mengurangi beban kerja administratif.
Co-Authors Achmad Muafi Taufiqurrochman Ahmad Khoir Alhaq Ferdie Arya Jantanu Naufal Eurasia N