Claim Missing Document
Check
Articles

Found 37 Documents
Search

Comparative Analysis of Machine Learning Models for Burnout Prediction in Generation-Z Anis Masruriyah; Sanggi Bayu Ardika; Ade Hikma Tiana; Budi Arif Dermawan
Computer Science (CO-SCIENCE) Vol. 6 No. 2 (2026): July 2026
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/co-science.v6i2.13081

Abstract

Burnout has become an increasingly prevalent mental health issue among Generation Z due to the interaction of psychological and behavioral factors in a highly digitalized environment. This study aims to predict burnout risk levels using a multi-class machine learning classification approach. The research follows the Cross-Industry Standard Process for Data Mining (CRISP-DM), encompassing data understanding, preprocessing, modeling, and evaluation. A synthetic dataset containing 10,000 records and 22 psychological, behavioral, and lifestyle attributes was used to classify burnout risk into three categories: low, medium, and high. To address class imbalance and ensure reliable performance estimation, Stratified K-Fold cross-validation was employed. Logistic Regression was implemented as a baseline linear model, while Random Forest represented a non-linear approach. Experimental results demonstrate that Random Forest achieved the best performance, obtaining a macro F1-score of 0.988 and outperforming Logistic Regression in multi-class burnout prediction. Feature importance analysis further revealed that psychological variables, particularly the wellbeing index and anxiety score, contributed more substantially to burnout prediction than behavioral variables such as screen time. These findings indicate that internal psychological conditions are stronger predictors of burnout risk than external digital behaviors. This study provides a comparative evaluation of linear and non-linear machine learning models in an imbalanced multi-class setting and offers an interpretable framework to support data-driven strategies for early burnout detection and mental health intervention.
Reconfigurable Metasurface Panels for Active Electromagnetic Shielding of Protective Domes Hengki Tamando Sihotang; Budi Arif Dermawan; Rasenda Rasenda; Galih Prakoso Rizky A
Cebong Journal Vol. 4 No. 3 (2025): July: Green dan Blue Economy
Publisher : IHSA Institute

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35335/cebong.v4i3.420

Abstract

The increasing complexity of electromagnetic (EM) environments in defense and communication systems necessitates shielding solutions that are both adaptive and efficient. Conventional static shielding domes, while effective in blocking electromagnetic interference (EMI), are inherently limited by their fixed frequency response, high structural weight, and lack of real-time adaptability. This research investigates the design and performance of reconfigurable metasurface panels for active electromagnetic shielding of protective domes, with the aim of enhancing shielding effectiveness, tunability, and structural efficiency. The study explores the integration of reconfigurable metasurfaces into dome architectures, enabling dynamic control of electromagnetic wave propagation through electronically tunable elements. Performance metrics including shielding effectiveness (in dB), tunable frequency ranges, angular stability, and real-time adaptability were evaluated and benchmarked against conventional static shielding designs. Results indicate that reconfigurable metasurface domes achieve superior shielding performance across wide frequency bands while offering significant weight reduction and improved adaptability. These characteristics make them well-suited for critical applications such as military radomes, satellite communication shelters, aerospace systems, and secure civilian infrastructures. However, challenges remain regarding large-scale fabrication, integration complexity, power requirements for active tuning, and environmental durability. Despite these limitations, the findings highlight the transformative potential of reconfigurable metasurfaces as the foundation of next-generation adaptive shielding technologies. This research demonstrates that reconfigurable shielding domes not only address the shortcomings of static designs but also pave the way for resilient, flexible, and future-proof electromagnetic protection systems.
DETEKSI SERANGAN SQL INJECTION MENGGUNAKAN ALGORITMA MACHINE LEARNING PADA JARINGAN IOT Rasenda Rasenda; Susanto Susanto; Budi Arif Dermawan
JUTIM (Jurnal Teknik Informatika Musirawas) Vol. 10 No. 2 (2025): JUTIM (JURNAL TEKNIK INFORMATIKA MUSIRAWAS) DESEMBER
Publisher : LPPM UNIVERSITAS BINA INSAN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32767/jutim.v10i2.2795

Abstract

SQL Injection merupakan salah satu bentuk serangan siber yang paling berbahaya karena memungkinkan penyerang untuk mengakses, memodifikasi, atau menghapus data secara ilegal melalui manipulasi perintah SQL. Sistem deteksi berbasis aturan memiliki keterbatasan dalam menghadapi pola serangan baru yang bersifat dinamis dan sulit dikenali. Penelitian ini bertujuan mengembangkan model deteksi serangan SQL Injection dengan pendekatan machine learning menggunakan kombinasi Autoencoder dan Algoritma Machine Learning. Autoencoder digunakan untuk mengekstraksi fitur dan mendeteksi pola anomali pada data input, sedangkan Algoritma Machine Learning berperan sebagai model klasifikasi untuk membedakan antara permintaan normal dan serangan. Data yang digunakan terdiri atas payload berlabel yang mencakup input normal dan serangan SQL Injection, yang selanjutnya diproses melalui tahapan normalisasi, ekstraksi fitur, dan pelatihan model. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian diharapkan menghasilkan model deteksi yang adaptif, mampu mengenali pola serangan baru, serta memiliki tingkat kesalahan deteksi yang rendah pada sistem keamanan jaringan IOT.
Analisis Sentimen Ulasan Aplikasi M-Pajak pada Google Play Store Menggunakan XGBoost Theresia Aurelly Claudia Budianto; Budi Arif Dermawan; Mohamad Jajuli
Jurnal Sistem Informasi dan Aplikasi (JSIA) Vol 3 No 1 (2025): Vol 3 No 1 (Jurnal Sistem Informasi dan Aplikasi)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/jsia.v3i1.12440

Abstract

Pada era digital ini, aplikasi M-Pajak menjadi inovasi pemerintah Indonesia yang bertujuan memudahkan wajib pajak dalam memenuhi kewajiban perpajakan secara online. Meskipun telah diunduh lebih dari satu juta kali, aplikasi ini masih menghadapi berbagai kendala teknis yang tercermin dari rendahnya rating di Google Play Store. Penelitian ini bertujuan untuk mengidentifikasi fitur-fitur yang paling banyak mendapat kritik negatif dari para pengguna. Berdasarkan hasil analisis, fitur yang paling banyak menerima kritik negatif yaitu terkait proses login dan verifikasi efin. Hal ini menunjukkan bahwa kendala teknis dan administratif masih menjadi kendala utama dalam pengalaman pengguna aplikasi. Metode yang digunakan adalah Knowledge Discovery in Database (KDD) dengan algoritma XGBoost sebagai klasifikasi model. Dengan menggunakan Stratified K-Fold untuk membagi data, model memperoleh akurasi sebesar 95%, dan saat diuji menggunakan data baru yang berbeda dari data pelatihan, model menghasilkan akurasi sebesar 93%. Pengembang aplikasi M-Pajak menyarankan melakukan perbaikan pada sistem login, verifikasi, dan pengajuan agar pengalaman pengguna menjadi lebih baik dan kendala teknis dapat diminimalkan.
Prediksi Curah Hujan Kota Bogor Menggunakan Algoritma Random Forest Maesha Ayu Syaharani; Budi Arif Dermawan; Riza Ibnu Adam
Jurnal Sistem Informasi dan Aplikasi (JSIA) Vol 3 No 1 (2025): Vol 3 No 1 (Jurnal Sistem Informasi dan Aplikasi)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/jsia.v3i1.12459

Abstract

Kota Bogor merupakan salah satu wilayah di Indonesia dengan intensitas curah hujan yang tinggi sepanjang tahun. Tingginya curah hujan tersebut menjadi salah satu faktor penyebab terjadinya bencana seperti banjir dan tanah longsor. Pengembangan model prediksi curah hujan menjadi kebutuhan penting untuk mendukung perencanaan dan mitigasi risiko bencana oleh pemerintah daerah Kota Bogor. Penelitian ini bertujuan untuk membangun model prediksi curah hujan harian. Rancangan penelitian menggunakan metodologi Knowledge Discovery in Database (KDD) dengan algoritma Random Forest sebagai metode utama dalam analisis. Model Random Forest diterapkan dengan penyesuaian Quantile Transform dan Grid Search untuk memperoleh nilai parameter terbaik. Hasil penyesuaian menunjukkan bahwa kinerja model optimal dengan bootstrap:True, n_estimators: 500, max_depth: 5, dan max_features: sqrt. Model diuji menggunakan K-Fold Cross Validation pada beberapa nilai K = 3, 5, 7, 10, dan 15 yang diukur berdasarkan selisih antara nilai prediksi dan aktual. Nilai K = 15 menunjukkan tingkat kesalahan terendah dengan RMSE sebesar 21,92 mm dan MAE sebesar 15,21 mm.
Prediksi Diabetes Wanita Pasca-Hamil: Studi Komparasi Algoritma Naive Bayes dan K-Nearest Neighbors Marsya Aurelia Syahkira; Ilham Rizky Ramadhan; Indira Dwi Febrian; Dimas Adityea; Yoga Aditya Ramasahdan; Ika Nurlaili Isnainiyah; Budi Arif Dermawan
Jurnal Sistem Informasi dan Aplikasi (JSIA) Vol 4 No 2 (2026): September: Sistem Informasi
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/jsia.v4i2.14961

Abstract

Diabetes melitus merupakan penyakit metabolik yang prevalensinya terus meningkat dan berisiko menimbulkan berbagai komplikasi serius. Wanita dengan riwayat kehamilan memiliki risiko lebih tinggi mengalami diabetes tipe 2 sehingga diperlukan metode deteksi dini yang efektif. Penelitian ini bertujuan membandingkan kinerja algoritma Naive Bayes dan K-Nearest Neighbors (KNN) dalam memprediksi diabetes pada wanita pasca-hamil menggunakan dataset Pima Indians Diabetes yang telah melalui proses pembersihan data, imputasi nilai hilang, standardisasi fitur, dan penyeimbangan kelas menggunakan SMOTE. Evaluasi dilakukan menggunakan metrik Accuracy, Precision, Recall, F1-Score, dan AUC-ROC pada dua skema pembagian data, yaitu pre-split dan stratified resplit. Hasil penelitian menunjukkan bahwa performa model dipengaruhi oleh skema pembagian data yang digunakan. Pada data yang telah dibersihkan dan dibagi secara stratified, KNN memberikan performa dan stabilitas yang lebih baik dibandingkan Naive Bayes serta menghasilkan jumlah false negative yang lebih rendah. Hasil ini menunjukkan bahwa KNN lebih efektif untuk prediksi diabetes pada wanita pasca-hamil.
Analisis dan Penerapan Algoritma Convolutional Neural Network untuk Klasifikasi Kendaraan Prioritas Rijal Abdulhakim; Carudin; Budi Arif Dermawan
Jurnal Sains dan Informatika Vol. 7 No. 2 (2021): Jurnal Sains dan Informatika
Publisher : Pusat Penelitian dan Pengabdian kepada Masyarakat Politeknik Negeri Tanah Laut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34128/jsi.v7i2.335

Abstract

Jumlah kendaraan bermotor di Indonesia terus menerus meningkat di setiap tahunnya. Hal ini dapat menimbulkan masalah lalu lintas, salah satunya yaitu kemacetan. Dampak yang ditimbulkan dari kemacetan salah satunya yaitu terganggunya arus lalu lintas. Sedangkan menurut UU RI Nomor 22 Tahun 2009 tentang lalu lintas dan angkutan jalan pada pasal 134 terdapat 7 kendaraan yang harus mendapatkan prioritas di jalan raya. Karena itu, dalam penelitian ini dilakukan analisis model klasifikasi untuk jenis kendaraan pemadam kebakaran, ambulans / mobil jenazah, dan kendaraan non-prioritas dengan menerapkan algoritma CNN menggunakan data video dari CCTV yang dikelola oleh ATCS Kota Bandung. Pada penelitian ini terdapat 5 skenario berbeda dimana skenario tersebut dibedakan dengan menggunakan metode holdout dalam pembagian data dan evaluasi model. Hasil penelitian ini menunjukan bahwa skenario terbaik terdapat pada skenario 2 dengan data training sebesar 60%, data validation sebesar 20%, dan data testing sebesar 20% berhasil mendapatkan validation accuracy sebesar 66,15% dan testing accuracy sebesar 69,231%.