Article Per Year (5 Year)
p-Index From 2021 - 2026
0.961
P-Index
This Author published in this journals
All Journal Digital Transformation Technology (Digitech) Journal of Artificial Intelligence and Digital Business
Lotar Mateus Sinaga
Universitas Katolik Santo Thomas Medan
Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Library & Information Science

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
Implementasi Sistem Keamanan Server Berbasis AI Menggunakan Algoritma Extreme Gradient Boosting (XGBoost) pada Debian 12 Roito Kasta Nadia Siahaan; Firman Torino Sianturi; Reyfan Sibagariang; Lotar Mateus Sinaga
Digital Transformation Technology Vol. 6 No. 1 (2026): Periode Maret 2026
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v6i1.9050

Abstract

Ancaman keamanan siber seperti Distributed Denial of Service (DDoS) dan Brute Force terus mengalami peningkatan yang signifikan mengancam integritas dan ketersediaan layanan server berbasis jaringan.Penedekataan konvensional menggunakan firewall statis dan sistem aturan berbasis tanda tangan (signature-based) dinilai kurang efektif dalam menghadapi pola serangan yang semakin kompleks dan adaptif.Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem keamanan server berbasis kecerdasan buatan (Artifical Intelligence/AI) menggunakan algoritma Extreme Gradient Boosting (XGBoost) pada lingkungan sistem operasi Debian 12. Metode yang digunakan meliputi pembuatan dataset simulasi trafik jaringan yang mencerminkan kondisi normal, serangan DDoS, dan serangan Brute Force, diikuti dengan pelatihan model machine learning menggunakan Pustaka XGBoost pada lingkungan Python virtual environment. Model dilatih menggunakan tiga fitur utama: packet rate per detik, byte rate (KB), dan jumlah koneksi gagal. Implementasi dilakukan pada platform VirtualBox dengan Debian 12 sebagai sistem operasi host. Hasil pengujian menunjukkan bahwa model XGBoost yang dikembangkan berhasil mencapai akurasi klasifikasi sebesar 99,50%, dengan kemampuan mendeteksi serangan DDoS dan Brute Force secara real-time. Sistem mampu mengklasifikasikan trafik jaringan ke dalam kategori normal atau berbahaya dengan keyakinan di atas 99%, serta secara otomatis mengaktifkan mekanisme perlindungan firewall ketika serangan terdeteksi. Penelitian ini membuktikan bahwa pendekatan machine learning berbasis XGBoost merupakan solusi yang efektif, efisien, dan skalabel untuk implementasi Intrusion Detection System (IDS) pada lingkungan server modern.
Optimasi DNS Server Berbasis BIND9 pada Debian dengan Menggunakan Algoritma Least Recently Used Cache untuk Meningkatkan Response Time Noperla Anjelisari Lumbanbatu; Yadi Limanta Maha; Lonia Harefa; 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.v5i2.11086

Abstract

Perkembangan teknologi jaringan yang semakin pesat menuntut sistem yang mampu memberikan layanan dengan cepat dan efisien, khususnya dalam proses resolusi Domain Name System (DNS). Salah satu permasalahan yang sering terjadi adalah tingginya response time akibat banyaknya permintaan query yang tidak tersimpan dalam cache, sehingga memperlambat akses pengguna dan meningkatkan beban kerja server dalam melakukan resolusi ulang ke DNS eksternal. Kondisi ini menjadi tantangan tersendiri bagi administrator jaringan dalam menjaga kualitas layanan, terutama pada sistem dengan volume permintaan yang tinggi. Oleh karena itu, diperlukan suatu metode untuk mengoptimalkan kinerja DNS server melalui pengelolaan cache yang lebih efektif. Penelitian ini bertujuan untuk menganalisis pengaruh penerapan algoritma Least Recently Used (LRU) terhadap performa DNS server berbasis BIND9 pada sistem operasi Debian 12. Metode yang digunakan adalah pendekatan eksperimen dengan membandingkan performa DNS server sebelum dan sesudah penerapan algoritma LRU pada lingkungan virtual menggunakan Oracle VirtualBox. Pengujian dilakukan menggunakan tools dnsperf dengan variasi jumlah client, yaitu 20, 50, dan 100, dan setiap skenario diulang lima kali untuk memperoleh nilai rata-rata yang lebih akurat. Parameter utama yang diukur adalah response time yang ditunjukkan melalui nilai average latency. Hasil penelitian menunjukkan bahwa penerapan algoritma LRU tidak selalu memberikan peningkatan performa pada semua kondisi. Pada beban rendah, performa tanpa LRU cenderung lebih baik, sedangkan pada beban tinggi (100 client), algoritma LRU mampu menurunkan response time secara signifikan. Dengan demikian, algoritma LRU lebih efektif digunakan pada kondisi dengan jumlah permintaan yang tinggi, sehingga dapat meningkatkan efisiensi kinerja DNS server pada sistem jaringan skala besar.
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.
Optimasi DNS Server Berbasis BIND9 pada Debian dengan Algoritma Least Frequently Used (LFU) Cache untuk Peningkatan Response Time Ester Manalu; Virzinia A. Napitupulu; 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.v5i2.11459

Abstract

Domain Name System (DNS) merupakan komponen penting dalam infrastruktur jaringan karena berfungsi menerjemahkan nama domain menjadi alamat Internet Protocol (IP). Kinerja DNS server berpengaruh langsung terhadap kecepatan akses layanan, sehingga pengelolaan cache perlu dioptimalkan untuk mengurangi keterlambatan proses resolusi. Penelitian ini bertujuan mengimplementasikan dan mengevaluasi algoritma Least Frequently Used (LFU) Cache pada DNS server berbasis BIND9 yang berjalan pada sistem operasi Debian 12. Penelitian menggunakan pendekatan kuantitatif eksperimental dengan metode performance benchmarking melalui perbandingan kondisi BIND9 standar dan kondisi setelah penerapan LFU Cache. Pengujian dilakukan pada tiga skenario beban, yaitu 20, 50, dan 100 klien simultan, dengan lima kali pengulangan pada setiap skenario. Response time diukur dalam milidetik menggunakan dnsperf, sedangkan mekanisme LFU mempertahankan record domain yang paling sering diakses dan mengeluarkan record dengan frekuensi penggunaan terendah ketika kapasitas cache terbatas. Hasil pengujian menunjukkan bahwa penerapan LFU Cache menurunkan rata-rata response time dari 51,8 ms menjadi 39,0 ms pada 20 klien, dari 42,4 ms menjadi 29,0 ms pada 50 klien, serta dari 127,0 ms menjadi 60,0 ms pada 100 klien. Penurunan tersebut setara dengan peningkatan efisiensi masing-masing sebesar 24,7%, 31,6%, dan 52,8%. Dengan demikian, LFU Cache efektif meningkatkan performa BIND9, terutama pada kondisi beban tinggi, tanpa memerlukan peningkatan perangkat keras server.
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.
Perancangan VPN Site-to-Site pada Server Debian dengan Protokol Wireguard dan Metode Elliptic Curve Cryptography Sonia Elvrida Saragih; Wilfred Raimond Zebua; Dwiki Prihatin Zalukhu; 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.v5i2.11610

Abstract

Virtual Private Network (VPN) merupakan teknologi yang digunakan untuk membangun komunikasi data yang aman melalui jaringan publik. Penelitian ini bertujuan untuk merancang dan mengimplementasikan VPN site-to-site pada server Debian menggunakan protokol WireGuard dengan metode Elliptic Curve Cryptography (ECC). WireGuard dipilih karena menggunakan algoritma kriptografi modern yang mampu memberikan tingkat keamanan tinggi dengan kompleksitas komputasi yang rendah. Metode ECC yang digunakan pada WireGuard adalah Curve25519 sebagai mekanisme pertukaran kunci untuk menjamin kerahasiaan dan integritas data. Penelitian dilakukan dengan membangun dua server Debian yang saling terhubung melalui tunnel WireGuard. Pengujian dilakukan menggunakan perintah wg show untuk memverifikasi koneksi, ping untuk mengukur delay dan packet loss, iperf3 untuk mengukur throughput, serta top untuk mengetahui penggunaan sumber daya sistem. Hasil pengujian menunjukkan bahwa koneksi VPN berhasil dibangun dengan baik melalui proses handshake yang sukses pada kedua server. Nilai packet loss yang diperoleh sebesar 0% dengan rata-rata delay sebesar 2,15 ms. Pengujian throughput menghasilkan kecepatan transfer data sebesar 41,1 Mbps, sedangkan pengujian penggunaan sumber daya menunjukkan nilai CPU idle sebesar 94% pada Server A dan 98,7% pada Server B. Hasil penelitian menunjukkan bahwa implementasi VPN site-to-site menggunakan WireGuard dengan metode Elliptic Curve Cryptography mampu memberikan koneksi yang aman, stabil, dan efisien dengan penggunaan sumber daya sistem yang rendah. Dengan demikian, WireGuard dapat menjadi solusi VPN modern yang sesuai untuk diterapkan pada lingkungan jaringan yang membutuhkan keamanan tinggi dan performa yang optimal.
Co-Authors Dwiki Prihatin Zalukhu Ester Manalu Firamawati Hia Firamawati Hia Hia Firman Torino Sianturi Lonia Harefa Noperla Anjelisari Lumbanbatu Reyfan Sibagariang Roito Kasta Nadia Siahaan Ronita Olive Angelie Sonia Elvrida Saragih Virzinia A. Napitupulu Wilfred Raimond Zebua Yadi Limanta Maha