Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Halimsurya, Ervan
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Klasterisasi Aktivitas Pengguna Berdasarkan Log Server Web Menggunakan Model Autoencoder Halimsurya, Ervan; Data, Mahendra; Hari Trisnawan, Primantara
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 7 (2026): Juli 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pertumbuhan sumber daya layanan web yang sangat cepat menuntut metode yang efektif untuk memperoleh pengetahuan dari data log server yang tersedia. Untuk mempelajari pola aktivitas yang terjadi pada sebuah web, dapat dilakukan klasterisasi pada log web server yang mampu membantu mengidentifikasi kelompok pengguna yang memiliki perilaku akses yang sama. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sebuah sistem Klasterisasi Aktivitas Pengguna Berdasarkan Log Server Web Menggunakan Model Autoencoder sehingga mampu meningkatkan efektivitas pengelompokan pola aktivitas web. Penelitian dilakukan dengan mengujikan model Autoencoder langsung dalam pemecahan masalah untuk pengelompokan traffic dari log web server. Pengujian akan dilakukan dengan menggunakan dataset "Online Shopping Store - Web Server Logs" yang sudah dilakukan bot filtering dengan jumlah data akhir 9,337,737 akan dievaluasi kemampuan model dalam pengelompokan aktivitas pengguna dalam traffic. Klasterisasi dilakukan dengan menggunakan K-Means dan hasil yang diperoleh akan dievaluasi dan divisualisasikan. Hasil silhouette score yang diperoleh setelah klasterisasi adalah 0,5897, yang menunjukan bahwa data point dalam cluster yang terbentuk cukup akurat namun masih mengalami overlap dengan cluster lain. Hasil tersebut menunjukan bahwa model autoencoder cukup mampu untuk digunakan dalam klasterisasi log web server.
Co-Authors Hari Trisnawan, Primantara Mahendra Data