Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Media Infotama Malcom: Indonesian Journal of Machine Learning and Computer Science
Eva Yulyanti
Universitas Budi Luhur
Computer Science & IT

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

Found 2 Documents
Search

 1 
Systematic Literature Review: SQL Injection Detection Vulnerability Using Machine Learning Agnes Rahayu; Eva Yulyanti; Muhammad Ghalib
Jurnal Media Infotama Vol 21 No 1 (2025): April 2025
Publisher : UNIVED Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37676/jmi.v21i1.6702

Abstract

SQL Injection (SQLI) adalah serangan keamanan pada database yang mengeksploitasi celah atau kerentanan pada input pengguna yang tidak dipantau dengan benar dalam aplikasi web dan merupakan aspek penting dalam keamanan sistem informasi. Penelitian dan pengembangan terus dilakukan menggunakan metode yang lebih efektif untuk mendeteksi dan mencegah SQLI, termasuk penggunaan algoritma Machine Learning seperti Random Forest, Naïve Bayes, Support Vector Machine, Neutral Network, Knearest, Decision Tree dan lainnya. Fokus penelitian ini adalah melakukan perbandingan terhadap hasil kinerja dari masing-masing algoritma. Penelitian ini membandingkan kinerja setiap algoritma dalam mendeteksi kerentanan SQLI terhadap serangkaian metrik terkait. Hasil analisis berdasarkan studi literatur menunjukan bahwa Random Forest dan Support Vector Machine (SVM) memiliki nilai kinerja yang unggul.
Segmentasi Spasio-Temporal Performa Penjualan Produk Sepatu Menggunakan Algoritma K-Means: Spatio-temporal Segmentation of Footwear Sales Performance Using the K-Means Algorithm Shindy Yuliyatini; Eva Yulyanti; Gandung Triyono
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 2 (2026): MALCOM April 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i2.2609

Abstract

Ketimpangan performa penjualan antarwilayah umumnya dianalisis melalui agregasi tahunan yang berpotensi menyembunyikan dinamika pasar. Penelitian ini bertujuan mengusulkan model segmentasi performa penjualan sepatu berbasis spatio-temporal menggunakan algoritma K-Means dengan unit analisis State × Quarter. Dataset diperoleh dari platform Kaggle (Adidas US Sales Dataset) periode 2020-2021 dan diagregasi dari 400 transaksi menjadi 181 observasi menggunakan variabel total sales, units sold, operating profit, dan operating margin. Metode meliputi preprocessing menggunakan IQR dan winsorizing, normalisasi Min-Max, serta clustering K-Means. Evaluasi dilakukan menggunakan Silhouette Score, Davies-Bouldin Index (DBI), Calinski-Harabasz Index (CHI), dan uji stabilitas Adjusted Rand Index (ARI) sebagai metode validasi tambahan untuk mengukur konsistensi hasil clustering. Hasil menunjukkan tiga cluster  dengan distribusi 55,8% (rendah), 32,0% (menengah), dan 12,2% (tinggi). Nilai Silhouette Score sebesar 0,4263 menunjukkan pemisahan cluster  moderat, sedangkan ARI sebesar 1,000 menunjukkan stabilitas sangat tinggi. Analisis spasio-temporal menunjukkan 52% state mengalami perubahan cluster  antarkuartal. Temuan ini menunjukkan adanya dinamika performa wilayah yang tidak terdeteksi dalam agregasi tahunan. Kontribusi ilmiah penelitian ini adalah penerapan segmentasi spatio-temporal berbasis K-Means dengan evaluasi kualitas dan stabilitas cluster  untuk mengidentifikasi dinamika performa distribusi wilayah secara lebih akurat.
Co-Authors Agnes Rahayu Muhammad Ghalib Shindy Yuliyatini Triyono, Gandung