Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal BERKALA SAINSTEK INFORMAL: Informatics Journal
Firmansyah, Diksy Media
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Biochemistry, Genetics & Molecular Biology Chemistry Computer Science & IT Mathematics Physics

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

Found 3 Documents
Search

 1 
Analisis Perbandingan Kinerja Algoritma Kriptografi Serpent dan Twofish pada Dataset "World Bank Projects and Operations" Puji Sutan, Rio Sudrajat; Prihandoko, Antonius Cahya; Firmansyah, Diksy Media
BERKALA SAINSTEK Vol 8 No 3 (2020)
Publisher : Universitas Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.19184/bst.v8i3.15805

Abstract

Serpent dan Twofish merupakan algoritma kriptografi yang menduduki peringkat kedua dan ketiga dalam kompetisi Advanced Encryption Standard (AES). Penelitian ini bertujuan untuk mengetahui algoritma mana yang lebih unggul dalam proses enkripsi dan dekripsi suatu file, serta keamanan kedua algoritma dalam menahan serangan brute force. Sebagai simulasi, enkripsi dan dekripsi kedua algoritma akan diterapkan pada dataset World Bank Projects and Operations. Sebelum enkripsi, file dataset yang digunakan akan dibagi menjadi beberapa file-file sampel berdasarkan jumlah kolom data. Kemudian file-file sampel yang sudah dienkripsi akan didekripsi dengan serangan brute force. Pada pengujian pertama, untuk kunci 128 bit, kecepatan rata-rata untuk enkripsi dan dekripsi Twofish 35% dan 43% lebih tinggi daripada Serpent. Pada kunci 192 bit, kecepatan rata-rata untuk enkripsi dan dekripsi Twofish 40% dan 48% lebih tinggi daripada Serpent. Pada kunci 256 bit, kecepatan rata-rata untuk enkripsi dan dekripsi Twofish 42% dan 48% lebih tinggi daripada Serpent. Pengujian kedua menunjukkan bahwa kecepatan serangan brute force tidak terpengaruh oleh ukuran kunci. Kecepatan rata- rata serangan brute force pada Twofish 56% lebih tinggi daripada Serpent. Meski dengan perbedaan kecepatan serangan yang tinggi, mendekripsi file yang dienkripsi oleh Twofish tetap memerlukan waktu berabad-abad. Hal ini disebabkan oleh kombinasi kunci yang banyak sekali bahkan pada kunci 128-bit. Secara keseluruhan, Twofish lebih unggul daripada Serpent tanpa mengorbankan sisi keamanan Twofish terhadap serangan brute force.
Implementasi Metode Backpropagation Neural Network (BNN) dalam Sistem Klasifikasi Ketepatan Waktu Kelulusan Mahasiswa (Studi Kasus: Program Studi Sistem Informasi Universitas Jember) Hizham, Fadhel Akhmad; Nurdiansyah, Yanuar; Firmansyah, Diksy Media
BERKALA SAINSTEK Vol 6 No 2 (2018)
Publisher : Universitas Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.19184/bst.v6i2.9254

Abstract

Program Studi Sistem Informasi adalah salah satu program studi di Universitas Jember yang berdiri sejak tahun 2009. Sampai saat ini sudah cukup banyak mahasiswa yang telah menyandang gelar sarjana, khususnya angkatan 2009-2013 , namun tidak banyak yang berhasil menyelesaikan studinya tepat waktu sehingga berdampak pada penilaian akreditasi dari program studi tersebut. Mahasiswa memiliki beban pembelajaran sekurang-kurangnya 144 SKS dengan masa studi selama 4- 5 tahun untuk memperoleh gelar sarjana. Berdasarkan permasalahan tersebut, terdapat berbagai cara untuk mengklasifikasi ketepatan waktu kelulusan mahasiswa, salah satunya dengan metode jaringan syaraf tiruan Backpropagation. Data yang digunakan yaitu data lulusan mahasiswa Program Studi Sistem Informasi Universitas Jember angkatan tahun 2011-2013. Atribut yang digunakan untuk klasifikasi berjumlah 9 atribut, yaitu nilai Indeks Prestasi (IP) semester 1 sampai 6, jumlah SKS yang ditempuh, semester saat terakhir kali memprogram matakuliah Kuliah Kerja Nyata (KKN) dan Praktik Kerja Lapang (PKL). Kelas yang digunakan untuk klasifikasi yaitu ketepatan waktu lulus mahasiswa tersebut. Penentuan ketepatan waktunya yaitu jika masa studi kurang dari sama dengan 60 bulan, maka mahasiswa tersebut lulus tepat waktu dan jika lebih dari 60 bulan maka tidak tepat waktu. Penerapan metode klasifikasi ini dilakukan dengan menggunakan learning rate 0.1, 0.3, 0.5, 0.7, dan 0.9 dengan batas iterasi masing-masing 1.000, 2.000, dan 3.000 iterasi. Nilai akurasi tertinggi yaitu sebesar 98,82% pada iterasi ke-2000 dan 3000, masing-masing dengan learning rate = 0,7 dan 0,9 untuk iterasi ke-2000 dan learning rate = 0,5, 0,7 dan 0,9 untuk iterasi ke-3000. Hasil tersebut didapat dari jumlah data benar sebanyak 167 data dari 169 data secara keseluruhan. Kata Kunci: Data Mining, Klasifikasi, Jaringan Syaraf Tiruan, Metode Backpropagation Neural Network.
Segmentasi Citra Tanda Tangan Menggunakan Fitur Titik SURF (Speeded Up Robust Features) dan Klasifikasi Jaringan Syaraf Tiruan hidayat, muhamad arief; retnani, windy eka yulia; Firmansyah, Diksy Media; Santika, Gayatri Dwi; Furqon, Muhammad ‘Ariful
INFORMAL: Informatics Journal Vol 9 No 3 (2024): Informatics Journal (INFORMAL)
Publisher : Faculty of Computer Science, University of Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.19184/isj.v9i3.53514

Abstract

Signature image classification is an important field of image processing. One of the stages of signature classification is segmentation. The segmentation process aims to detect image pixels that are part of the signature and separate them from text or logo pixels in a document image. There is a signature segmentation technique using interest points extracted using the SURF (Speeded Up Robust Features) algorithm [1] In this technique, a connected component pixel will be considered part of the signature if it has more SURF points in common with the database connected component pixel signature. Compared to the similarity with the database connected component non-signature pixels. This method is able to provide good accuracy results for signature pixel segmentation. However, the recall value is relatively low, namely 56%. This is because many connected component logos are considered as connected component signatures. In this study, signature segmentation was carried out using SURF points by adding two things: 1) using internal connected component characteristics as additional classification atributs: extent, solidity, ratio, and circularity 2) using an Artificial Neural Network classification algorithm to assist the segmentation process. The test results show that the proposed method improves segmentation quality by an average of 20.7% for an increase in accuracy, an average of 22.4% for an increase in precision, and an average of 18.6% for an increase in recall. When compared with the results reported in (Ahmed et al., 2012), the recall has increased by 38.3% - 42.8%
Co-Authors Antonius Cahya Prihandoko Furqon, Muhammad Ariful Gayatri Dwi Santika Hidayat, Muhamad Arief Hizham, Fadhel Akhmad Puji Sutan, Rio Sudrajat retnani, windy eka yulia Yanuar Nurdiansyah, Yanuar