Claim Missing Document
Check
Articles

Found 4 Documents
Search

Analisis Barang Bukti Digital Aplikasi Facebook Messenger Pada Smartphone Android Menggunakan Metode NIJ Ikhwan Anshori; Khairina Eka Setya Putri; Umar Ghoni
IT Journal Research and Development Vol. 5 No. 2 (2021)
Publisher : UIR PRESS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25299/itjrd.2021.vol5(2).4664

Abstract

Facebook Messenger menjadi media sosial yang popular di tahun 2019 dan angkat sangat pesat perkembangannya dari tahun ke tahun. Meningkatnya jumlah pengguna Facebook Messenger tentu membawa dampak positif dan negatif, salah satu efek negatifnya adalah digunakan untuk tindak kejahatan digital seperti perdagangan narkoba. Cara menangkap para pelaku kejahatan digital maka diperlukan barang bukti pada persidangan. Salah satu ilmu untuk medapatkan barang bukti digital adalah melakukan forensik digital. Forensik digital dapat dilakukan pada smartphone yang digunakan para pelaku kejahatan. Penelitian ini akan melakukan pengangkatan barang bukti kejahatan digital sebanyak mungkin dari facebook Messenger pada smartphone Android. Pada penelitian ini tool yang kami gunakan adalah Oxygen Forensic dengan menggunakan metode National Institute Of Justice (NIJ). Penelitian ini mengacu pada proses investigasi yang digunakan metode National Institute Of Justice (NIJ). Metode ini merekomendasikan sebuah tahapan dasar dalam proses forensik, yaitu persiapan, koleksi, pemeriksaan, analisis dan pelaporan. Metode penelitian yang digunakan berdasarkan pedoman forensik perangkat mobile yang dibuat oleh National Institute of Justice (NIJ)
Prototype Palang Pintu Kereta Api Otomatis Berbasis IoT Yuniarti Lestari; Ghoni, Umar; Rimandita, Agung
JITU Vol 9 No 1 (2025)
Publisher : Universitas Boyolali

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36596/jitu.v9i1.1805

Abstract

Kereta api sering melewati pemukiman dan jalan raya, sehingga diperlukan palang pintu sebagai tanda bagi pengendara dan pejalan kaki untuk berhenti saat kereta melintas. Namun, banyak palang pintu yang masih beroperasi secara manual, meningkatkan risiko kecelakaan akibat kelalaian operator atau ketidaksabaran pengguna jalan. Untuk mengatasi masalah ini, diperlukan sistem otomatisasi palang pintu kereta api berbasis IoT yang dapat dikendalikan dari jarak jauh, guna meningkatkan keselamatan dan efisiensi. Prototype palang pintu kereta api otomatis dalam penelitian ini memanfaatkan ESP32, sensor infrared, motor servo, dan aplikasi Telegram. Pengembangan sistem mengikuti metode Extreme Programming yang terdiri dari empat tahapan: perencanaan, desain, pemrograman, dan pengujian. Hasil pengujian dalam penelitian ini menunjukkan bahwa sensor infrared dapat mendeteksi objek dari jarak 1 hingga 7 cm dan bekerja dengan sudut deteksi antara 10 hingga 100 derajat. Ketika objek mainan kereta api didekatkan ke sensor, LED indikator menyala merah, menandakan adanya objek, dan servo langsung bergerak untuk menutup palang kereta api hingga 100 derajat. Setelah 5 detik, servo kembali ke posisi awal 10 derajat, dan LED berubah menjadi kuning, menandakan bahwa objek sudah tidak ada.
Optimizing Clustering Performance: A Novel Integration of Whale Optimization Algorithm and K-NN Validation in Data Mining Analytics Nur Wahyu Hidayat; Umar Ghoni; Mursalim
JITU Vol 9 No 1 (2025)
Publisher : Universitas Boyolali

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36596/jitu.v9i1.1808

Abstract

The digital era's massive data necessitates effective clustering, a machine learning technique grouping data by similarity. Clustering large, complex datasets faces challenges like volume, dimensionality, and variability, hindering algorithms like K-Means. A key issue in K-Means is its sensitivity to initial centroid selection, impacting results. This research aims to optimize clustering performance by integrating the Whale Optimization Algorithm (WOA) for improved initial centroid determination in K-Means, and K-Nearest Neighbors (K-NN) for validating the resulting cluster quality through classification accuracy. Evaluation on iris, wine, heart, lung, and liver datasets using the Davies-Bouldin Index (DBI) showed that WOA-KMeans consistently yielded lower DBI values compared to standard K-Means, indicating superior clustering. Notably, DBI for the lung dataset drastically decreased from 2.38016 to 0.65395. Furthermore, K-NN classification using the generated cluster labels achieved high accuracy (98-99% across datasets), confirming well-separated and internally homogeneous clusters. This demonstrates WOA's effectiveness in guiding K-Means towards better solutions and K-NN's utility in validating cluster distinctiveness. This novel WOA-K-NN combination offers a more accurate and robust clustering method. The significant performance improvements observed across diverse datasets highlight its potential for enhanced data exploration and pattern discovery in complex data mining tasks.
Komparasi Perhitungan Jarak K-Means Dalam Pengklasteran Tingkat Pengangguran Terbuka di Indonesia Ghoni, Umar; Hidayat, Nur Wahyu; Rakhmawati, Hidayatur; Lestari, Yuniarti
JATISI Vol 12 No 4 (2025): JATISI (Jurnal Teknik Informatika dan Sistem Informasi)
Publisher : Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/jatisi.v12i4.13750

Abstract

Abstract Unemployment is a short-term economic problem that significantly affects social conditions and public welfare. The Open Unemployment Rate (OUR) serves as an important indicator to measure unemployment levels. In Indonesia, OUR data are periodically published by the Central Bureau of Statistics (Badan Pusat Statistik, BPS) by province and year. Analyzing these data helps identify regions with high or low unemployment rates to support effective labor policy formulation. This study applies the K-Means clustering algorithm to classify Indonesia’s open unemployment rate using four distance metrics: Euclidean, Manhattan, Chebyshev, and Cosine Similarity. The clustering performance was evaluated using the Davies-Bouldin Index (DBI) to determine the best distance metric. The results indicate that Chebyshev Distance produced the best cluster quality with a DBI value of 0.606, while Cosine Similarity yielded the poorest result with a DBI of 1.445. Therefore, Chebyshev Distance is recommended as the most suitable distance metric for clustering Indonesia’s open unemployment rate using the K-Means algorithm. Keywords: open unemployment, K-Means, distance metric, Davies-Bouldin Index.