Article Per Year (5 Year)
p-Index From 2021 - 2026
2.33
P-Index
This Author published in this journals
All Journal Infotech Journal TEKNOKOM : Jurnal Teknologi dan Rekayasa Sistem Komputer INTI Nusa Mandiri INSANtek – Jurnal Inovasi dan Sains Teknik Elektro International Journal of Engineering Continuity Jurnal Riset Rumpun Ilmu Sosial, Politik dan Humaniora (JURRISH)
Sigit Wibawa
Universitas Bina Sarana Informatika
Civil Engineering, Building, Construction & Architecture Computer Science & IT Electrical & Electronics Engineering Engineering Environmental Science Materials Science & Nanotechnology Mechanical Engineering Social Sciences

Published : 16 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 16 Documents
Search

 1   2 
KOMPARASI AKURASI REGRESI LINEAR BERGANDA DAN DECISION TREE PREDIKSI HARGA MOTOR BEKAS BERBASIS WEBSITE Arya Putrana Kohan; Adhitya Pratama; Andika Satria Pratama; Tri Ramadhanti; Victor Parulian; Sigit Wibawa; Muhammad Muharrom
INFOTECH journal Vol. 11 No. 2 (2025)
Publisher : Universitas Majalengka

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31949/infotech.v11i2.16430

Abstract

Kendaraan roda dua kini menjadi kebutuhan utama bagi masyarakat Indonesia. Aktivitas jual beli motor, baik baru maupun bekas, sudah sangat umum dilakukan. Namun, masih banyak calon pembeli yang belum mengetahui kisaran harga dari tipe atau model motor yang ingin mereka beli maupun jual. Untuk membantu memperkirakan harga tersebut, dapat digunakan pendekatan Machine Learning (ML) dengan metode Supervised Learning, yang berfungsi melatih model menggunakan algoritma analisis statistik. Prediksi merupakan aspek penting dalam statistik, terutama dalam pengambilan keputusan. Penelitian ini bertujuan membandingkan performa dua algoritma machine learning, yaitu Regresi Linear Berganda dan Decision Tree Regressor, dalam memprediksi harga motor bekas. Data yang digunakan meliputi Model, Tahun, Transmisi, Odometer, Jenis, Pajak, Konsumsi BBM, Mesin, dan Harga. Dataset dibagi menjadi data pelatihan dan pengujian dengan perbandingan 80:20. Hasil penelitian menunjukkan bahwa algoritma Regresi Linear Berganda memiliki akurasi lebih tinggi dengan nilai R² sebesar 0.8755 dan RMSE lebih rendah sebesar 1328.09 dibandingkan Decision Tree yang memiliki R² sebesar 0.8422 dan RMSE 1495.23. Oleh karena itu, model Regresi Linear Berganda lebih efektif dalam menangani hubungan linear antar variabel saat memprediksi harga motor bekas, dengan hasil perbandingan divisualisasikan dalam bentuk heatmap dan prediksinya ditampilkan melalui website.
PERANCANGAN SISTEM PREDIKSI RISIKO DIABETES MENGGUNAKAN LOGISTIC REGRESSION DAN RANDOM FOREST Samuel Paul Jackson Simanjuntak; Rafi Abdul Aziz; Ichwan Agil Prasetyo; M. Raihan Al Ikhsan; Abiath Cio; Sigit Wibawa; Muhammad Muharrom
INFOTECH journal Vol. 11 No. 2 (2025)
Publisher : Universitas Majalengka

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31949/infotech.v11i2.16668

Abstract

Penelitian ini bertujuan merancang sistem prediksi risiko diabetes menggunakan algoritma Logistic Regression dan Random Forest dengan memanfaatkan dataset Pima Indians Diabetes. Tahap pra-pemrosesan meliputi imputasi nilai nol pada fitur medis dan normalisasi data sebelum dibagi menjadi data latih dan uji. Kedua model dilatih secara paralel, dan model terbaik dipilih berdasarkan nilai F1-Score untuk meningkatkan akurasi pendeteksian pasien dengan diabetes (Outcome = 1). Evaluasi performa menggunakan metrik akurasi, presisi, recall, F1-Score, dan confusion matrix menunjukkan bahwa Random Forest memberikan performa terbaik dengan akurasi 74%, F1-Score 0,82 untuk kelas Tidak Diabetes, dan 0,59 untuk kelas Diabetes. Sistem ini diintegrasikan ke antarmuka Gradio interaktif, memungkinkan pengguna memasukkan parameter medis dan memperoleh prediksi risiko secara real-time. Hasil penelitian menunjukkan bahwa sistem mampu mendukung deteksi dini diabetes secara efisien, meskipun perlu peningkatan untuk mengurangi kesalahan False Negative pada pasien positif diabetes.
Analisis Chatbot Otomatisasi Tugas Administratif dan Manajemen Dalam Lingkungan Digital Dengan Menggunakan Python Sigit Wibawa
INSANtek Vol. 4 No. 1 (2023): Mei 2023
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/insantek.v4i1.2190

Abstract

Dalam era digital saat ini, otomatisasi tugas administratif dan manajemen telah menjadi suatu kebutuhan yang mendesak dalam upaya meningkatkan efisiensi dan produktivitas. Dalam penelitian ini, kami menyajikan analisis otomatisasi tugas administratif dan manajemen menggunakan platform chatbot yang dikembangkan dengan Python. Dalam analisis ini, kami mengidentifikasi beberapa tugas administratif yang sering terjadi dalam lingkungan digital, termasuk pengelolaan User atau user management, pengelolaan tugas, dan penyediaan informasi dasar kepada pengguna. Penelitian ini mencakup analisis kebutuhan dan identifikasi tugas administratif dan manajemen yang paling relevan dalam konteks lingkungan digital. pengembangan dan konfigurasi Chatbot menggunakan Python dan pustaka terkait untuk mengimplementasikan logika dan proses yang diperlukan untuk tugas-tugas administratif, pengujian dan evaluasi kinerja Chatbot dalam menangani tugas-tugas tersebut, termasuk kecepatan respons, akurasi, dan kehandalan. Hasil analisis menunjukkan bahwa Chatbot mampu secara efektif dan efisien menangani tugas-tugas administratif dan manajemen dalam lingkungan digital. Chatbot dapat memberikan respons yang cepat dan akurat kepada pengguna, mengurangi waktu dan usaha yang diperlukan untuk tugas-tugas rutin, dan membebaskan sumber daya manusia untuk fokus pada tugas yang lebih strategis. Penelitian ini memberikan kontribusi pada pengembangan chatbot berbasis Python untuk otomatisasi tugas administratif dan manajemen dalam lingkungan digital. Penggunaan Chatbot dapat membantu organisasi meningkatkan efisiensi operasional, mengoptimalkan pengelolaan waktu, dan memberikan layanan yang lebih responsif kepada pelanggan.
Perlindungan Data Digital Dengan Time-Based One-Time Password (TOTP) Sigit Wibawa; Suryanto Suryanto; Rahayu Ningsih
INSANtek Vol. 5 No. 1 (2024): Mei 2024
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/insantek.v5i1.3495

Abstract

Keamanan autentikasi pengguna sangat penting dalam perlindungan data digital. Metode autentikasi tradisional, seperti kata sandi statis, sering rentan terhadap serangan phishing, brute force, dan pencurian kata sandi, yang menyebabkan lebih dari 80% pelanggaran keamanan. One-Time Password (OTP) menawarkan solusi lebih aman dengan kata sandi yang hanya berlaku untuk satu sesi atau transaksi, mengurangi risiko penyalahgunaan. Penelitian ini mengembangkan dan mengimplementasikan sistem OTP menggunakan Python, serta mengevaluasi keunggulannya dibandingkan metode autentikasi lainnya. Kami menggunakan library pyotp untuk menghasilkan Time-based OTP (TOTP) dan mengintegrasikannya dengan framework web Flask untuk membuat server autentikasi. Hasil penelitian menunjukkan bahwa OTP mengurangi risiko serangan phishing hingga 90% dan meningkatkan keamanan dibandingkan kata sandi statis hingga 75%. Selain itu, OTP menawarkan fleksibilitas dan kemudahan integrasi dengan berbagai aplikasi melalui API. Keamanan Tinggi: OTP memberikan lapisan keamanan tambahan yang sulit ditembus oleh pihak yang tidak berwenang. Kemudahan Implementasi Integrasi antara pyotp dan Flask cukup sederhana dan cepat untuk diimplementasikan. Pengguna hanya perlu menggunakan aplikasi OTP yang umum seperti Google Authenticator untuk memverifikasi identitas mereka.
Implementation of Attribute-Base Control in Personal Data Protection Sigit Wibawa; Ahmad Gani; Taufik Hidayat
International Journal of Engineering Continuity Vol. 3 No. 1 (2024): ijec
Publisher : Sultan Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58291/ijec.v3i1.231

Abstract

This research addresses the growing concern of cybersecurity and access control in Python applications, providing actionable recommendations for improving Attribute-Based Access Control (ABAC) systems to better protect personal data. The study aims to evaluate ABAC's efficacy in managing access control within Python applications, particularly focusing on its ability to provide precise and fine-grained control over personal data access. By analyzing three key attributes—user roles, data classification, and access times—within Python applications, the research methodically assesses ABAC's performance and challenges in implementation. The findings, with a significant proportion of 70%, underscore ABAC's advantages over traditional models like Discretionary Access Control (DAC) and Role-Based Access Control (RBAC), emphasizing its capability to provide precise and fine-grained control over personal data access. Additionally, the research identifies and addresses three main challenges in ABAC implementation: attribute management complexity 15%, the necessity for standardization 10%, and interoperability issues 5%. This research has far-reaching implications, highlighting the importance of meticulous planning and modeling for successful ABAC deployment. By enriching our understanding of ABAC in Python-based environments, the study offers insights for enhancing cybersecurity measures and access control strategies in personal data protection.
PENERAPAN POLA FIBONACCI UNTUK PENGATURAN QOS (QUALITY OF SERVICE) JARINGAN Ahmad Gani; Sigit Wibawa; Fadli Ilyas
INTI Nusa Mandiri Vol. 19 No. 2 (2025): INTI Periode Februari 2025
Publisher : Lembaga Penelitian dan Pengabdian Pada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33480/inti.v19i2.6359

Abstract

In managing network quality of service (QoS), this research uses the Fibonacci pattern to optimize delay control and bandwidth allocation. QoS is very important in contemporary network management, especially considering the increasing demand for stable and effective data services. This study prioritizes data based on traffic levels using a Fibonacci algorithm simulation. Each priority is assigned a value corresponding to the Fibonacci sequence, which allows for resource allocation that is more in line with network load.The simulation was conducted under normal and overload conditions. The research results show that conventional methods, such as round-robin and weighted fair queuing, can improve QoS efficiency with the Fibonacci pattern by up to 15%. This improvement primarily focuses on managing important data packets such as real-time communication and video streaming, and reducing latency. Additionally, this technique is better at adapting to traffic changes.The research results show that the Fibonacci pattern can be an innovative method for managing network QoS, especially for complex priority needs. By using the Fibonacci pattern as a data priority management technique, this research helps improve network quality of service (QoS). This method is capable of improving bandwidth allocation efficiency and reducing latency by up to 15% compared to conventional approaches such as Round-Robin and Weighted Fair Queuing. The main contribution of this research is to offer a new approach based on Fibonacci patterns that can be adapted to the dynamics of network traffic.
Co-Authors Abiath Cio Adhitya Pratama Ahmad Gani Andi Arfian Andika Satria Pratama Arya Putrana Kohan Baginda Oloan Lubis Bimo Hakim Prabowo Fadli Ilyas Gani, Ahmad Ibnu Rizki Prayoga Ichwan Agil Prasetyo Juarni Siregar M Ramdani M. Raihan Al Ikhsan Muhamad Rafi Hamdani Muhammad Muharrom Ningsih , Rahayu Rafi Abdul Aziz Rahayu Ningsih Rahmiliasari Samnufida Samuel Paul Jackson Simanjuntak Sri Budhi Lestari Suryanto , Suryanto Suryanto Suryanto Taufik Hidayat Tri Ramadhanti Victor Parulian