Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Journal of Artificial Intelligence and Digital Business Portal Riset dan Inovasi Sistem Perangkat Lunak
Ronita Olive Angelie
Universitas Katolik Santo Thomas Medan
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering

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

Found 3 Documents
Search

 1 
Analisis Sistem Pakar untuk Diagnosa Kerusakan Perangkat Komputer menggunakan Metode Forward Chaining Theresya Simanjuntak; Ronita Olive Angelie; Saut Parlindungan Manurung; Jelita Astrid Gulo; Jahanra Girsang
Portal Riset dan Inovasi Sistem Perangkat Lunak Vol. 4 No. 1 (2026): Artikel Penelitian
Publisher : SoraTekno Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59696/prinsip.v4i1.222

Abstract

Kerusakan perangkat komputer menjadi permasalahan yang sering dihadapi pengguna dengan keterbatasan akses ke teknisi profesional. Penelitian ini bertujuan menganalisis implementasi sistem pakar untuk diagnosa kerusakan perangkat komputer menggunakan metode Forward Chaining sebagai mesin inferensi. Metode penelitian menggunakan pendekatan kualitatif deskriptif dengan teknik akuisisi pengetahuan melalui wawancara teknisi dan studi literatur. Basis pengetahuan dirancang menggunakan representasi aturan IF-THEN yang menghubungkan gejala dengan jenis kerusakan. Hasil pengujian terhadap 50 kasus kerusakan menunjukkan sistem mampu memberikan diagnosa dengan tingkat akurasi 86 persen. Forward Chaining terbukti efektif melakukan penalaran sistematis dari fakta gejala menuju kesimpulan diagnosa. Sistem ini memberikan solusi alternatif bagi pengguna awam untuk mengidentifikasi kerusakan komputer secara mandiri tanpa bergantung sepenuhnya pada teknisi profesional. Penelitian ini memberikan kontribusi dalam pengembangan sistem pakar di bidang troubleshooting komputer.
Implementasi Deep Learning untuk Prediksi Penggunaan Resource CPU dan RAM pada Server Debian Linux Firamawati Hia Hia; Ronita Olive Angelie; Lotar Mateus Sinaga
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.11453

Abstract

Penelitian ini mengimplementasikan metode deep learning berbasis Long Short-Term Memory (LSTM) untuk memprediksi penggunaan sumber daya CPU dan RAM pada server Debian Linux secara real-time. Data monitoring dikumpulkan otomatis setiap lima detik melalui modul collect.py dan menghasilkan 1.859 rekaman yang memuat timestamp, persentase CPU, persentase RAM, jumlah RAM terpakai, dan jumlah proses aktif. Data diproses melalui pengurutan waktu, ekstraksi fitur jam dan hari, normalisasi MinMaxScaler, serta pembentukan sequence menggunakan sliding window 30 timestep. Model dibangun dengan PyTorch menggunakan dua lapisan LSTM berukuran 64 dan 32 unit, diikuti lapisan fully connected, aktivasi ReLU, dan dropout. Pelatihan dilakukan selama 50 epoch dengan optimizer Adam dan fungsi kerugian Mean Squared Error. Hasil evaluasi akhir menunjukkan training loss 0,0140, test loss 0,0310, RMSE 0,1761, dan MAE 0,1426 pada skala ternormalisasi. Modul predict.py mampu menghasilkan prediksi CPU dan RAM setiap lima detik serta memberikan status NORMAL atau WASPADA berdasarkan ambang CPU 80% dan RAM 85%. Hasil ini menunjukkan bahwa LSTM dapat diterapkan sebagai dasar monitoring prediktif untuk mendukung tindakan proaktif administrator. Meskipun demikian, data dikumpulkan dalam durasi relatif singkat dan didominasi beban rendah, sehingga pengujian pada periode lebih panjang dan variasi beban yang lebih luas tetap diperlukan sebelum sistem digunakan pada lingkungan produksi. Sistem juga mempertahankan arsitektur modular agar mudah dipelihara dan dikembangkan.
Implementasi Deep Learning untuk Prediksi Penggunaan Resource CPU dan RAM pada Server Debian Linux Firamawati Hia; Ronita Olive Angelie; Lotar Mateus Sinaga
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.11542

Abstract

Penelitian ini bertujuan merancang dan mengimplementasikan sistem prediksi penggunaan sumber daya CPU dan RAM pada server Debian Linux menggunakan metode deep learning berbasis Long Short-Term Memory (LSTM). Data monitoring dikumpulkan secara otomatis dan real-time melalui modul collect.py dengan interval lima detik, menghasilkan 1.859 record yang memuat timestamp, persentase CPU, persentase RAM, penggunaan RAM dalam megabyte, dan jumlah proses aktif. Tahap pemrosesan meliputi pengurutan berdasarkan waktu, ekstraksi fitur jam dan hari, normalisasi menggunakan MinMaxScaler, serta pembentukan sequence dengan sliding window sebanyak 30 timestep. Model dibangun menggunakan PyTorch dengan dua lapisan LSTM berukuran 64 dan 32 unit, dilanjutkan lapisan fully connected, ReLU, dan dropout. Pelatihan dilakukan selama 50 epoch menggunakan optimizer Adam dan fungsi loss Mean Squared Error. Hasil pengujian menunjukkan training loss akhir sebesar 0,0140, test loss 0,0310, RMSE 0,1761, dan MAE 0,1426 pada data ternormalisasi. Modul predict.py mampu menghasilkan estimasi CPU dan RAM setiap lima detik serta memberikan klasifikasi kondisi NORMAL atau WASPADA berdasarkan ambang batas yang ditentukan. Sistem dapat berjalan stabil dengan latensi prediksi kurang dari satu detik, sehingga berpotensi mendukung monitoring dan perencanaan kapasitas server secara proaktif. Meskipun demikian, periode pengumpulan data yang singkat dan dominasi kondisi beban rendah membatasi generalisasi model, sehingga pengujian dengan data yang lebih panjang dan bervariasi masih diperlukan.
Co-Authors Firamawati Hia Firamawati Hia Hia Jahanra Girsang Jelita Astrid Gulo Lotar Mateus Sinaga Saut Parlindungan Manurung Theresya Simanjuntak