Garuda - Garba Rujukan Digital

KLASIFIKASI DATA GEMPA BUMI DI PULAU JAWA MENGGUNAKAN ALGORITMA EXTREME GRADIENT BOOSTING Kharis Pratama, Adam; Ashaury, Herdi; Rakhmat Umbara, Fajri
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 4 (2023): JATI Vol. 7 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i4.7296

Gempa bumi adalah fenomena yang terjadi akibat pergerakan lempeng tektonik dan dapat memiliki dampak merusak. Kedalaman hiposentrum memiliki peran penting dalam menentukan karakteristik gempa. Proses klasifikasi kedalaman hiposentrum penting untuk memahami potensi gempa di wilayah Indonesia. Dalam menghadapi data gempa yang besar dan kompleks, serta tantangan dalam mengidentifikasi pola dari kedalaman hiposentrum, terdapat permasalahan dalam proses klasifikasi. Penelitian ini memfokuskan pada penerapan algoritma Extreme Gradient Boosting (XGBoost) dalam mengklasifikasikan data gempa bumi berdasarkan kedalaman hiposentrum di Pulau Jawa. Beberapa penelitian sebelumnya menggunakan XGBoost untuk klasifikasi menunjukkan kemampuan algoritma ini dalam berbagai konteks. Hasil eksperimen menunjukkan bahwa model XGBoost dengan penyetelan parameter menghasilkan akurasi 99.58%. Keputusan ini didukung oleh kemampuan model untuk mengatasi masalah ketidakseimbangan data dan menghasilkan prediksi akurat. Meskipun akurasi sempurna belum tercapai, hasil ini realistis dan memiliki potensi untuk mengklasifikasikan data gempa dengan akurasi yang tinggi.

PREDIKSI CURAH HUJAN MENGGUNAKAN METODE CATEGORICAL BOOSTING (CATBOOST) Febriansyah Istianto, Andrian; Id Hadiana, Asep; Rakhmat Umbara, Fajri
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 4 (2023): JATI Vol. 7 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i4.7304

Curah hujan memiliki peran krusial dalam banyak aspek kehidupan manusia dan lingkungan. Curah hujan memiliki dampak sosial dan ekonomi yang besar, termasuk kerusakan infrastruktur, banjir, dan gangguan transportasi. Banjir dan peristiwa ekstrem serupa dapat mengakibatkan kerugian jiwa dan kerusakan properti yang parah setiap tahun, dan ini dihubungkan dengan perubahan iklim yang diperkirakan akan semakin sering dan merusak di masa yang akan datang. Dalam upaya untuk memantau, mengantisipasi dan memproyeksikan terjadinya hujan, maka penelitian ini berfokus dalam memprediksi curah hujan dengan menggunakan data mining. Dalam penelitian ini, berfokus dalam penerapan metode Categorical Boosting (CatBoost) yang dapat mengelola data kategorikal secara efisien yang merupakan pengembangan dari Gradient Boosting Decision Tree (GBDT). Berdasarkan data yang diperoleh dari kaggle yang terdiri dari 23 atribut, penelitian ini akan memprediksi curah hujan. Pra-pemrosesan data melibatkan langkah-langkah seperti pembersihan data, penyeimbangan kelas, pemilihan fitur, dan pengkodean data. Pengujian menggunakan metode Categorical Boosting menghasilkan tingkat akurasi prediksi curah hujan sebesar 94,22% berdasarkan evaluasi Confusion Matrix. Penelitian ini bertujuan untuk memprediksi curah hujan dengan menggunakan metode Categorical Boosting (CatBoost).

PENAMBAHAN FITUR MULTI-FACTOR AUTHENTICATION DALAM STUDI KASUS SISTEM INFORMASI REKAM MEDIS RUMAH SAKIT Anwar Fauzi, Mochammad; Id Hadiana, Asep; Rakhmat Umbara, Fajri
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 4 (2023): JATI Vol. 7 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i4.7305

Data rekam medis merupakan informasi yang sangat penting dan sensitif bagi pasien dan harus dilindungi dari akses yang tidak sah. Dalam hal ini, sistem informasi Rumah Sakit memegang peran penting dalam menjaga keamanan data rekam medis pasien. Namun, ancaman akses yang tidak sah masih mengintai dan merusak privasi pasien. Saat ini sistem informasi rekam medis Rumah Sakit hanya mengandalkan autentikasi email dan kata sandi, sehingga rentan terhadap pencurian. Untuk mengatasi masalah ini, diperlukan rancangan keamanan Multi-Factor Authentication. Penerapan Multi-Factor Authentication pada penelitian ini memakai Personal Security Question dan Auth Token. Personal Security Question digunakan untuk memverifikasi pengguna dengan pertanyaan pribadi, sedangkan Auth Token menciptakan kode auntentikasi pada komunikasi server. Pada penelitian ini mekanisme sistem login dibagi menjadi tiga yaitu login dengan kata sandi, login dengan menjawab pertanyaan pribadi, dan login dengan menggunakan kode TOTP yang didapatkan dari email. Hasil dari penelitian ini adalah menjadikan sistem informasi rekam medis Rumah Sakit menjadi lebih aman dan mengurangi risiko diakses oleh pihak yang tidak berwenang. Hasil pengujian validasi TOTP dengan Google Authenticator yang dilakukan sebanyak seratus kali validasi menunjukan bahwa kode TOTP yang dihasilkan Google Authenticator tidak dapat mencocokan dengan hasil kode TOTP yang dihasilkan sistem.

ALGORITMA XGBOOST UNTUK KLASIFIKASI KUALITAS AIR MINUM Dava Maulana, Muhammad; Id Hadiana, Asep; Rakhmat Umbara, Fajri
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 5 (2023): JATI Vol. 7 No. 5
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i5.7308

Air adalah sumber daya alam yang penting bagi keberlangsungan hidup organisme di bumi, termasuk manusia, hewan, dan tumbuhan. Namun, potensi tercemarnya air oleh bakteri dan zat mineral berbahaya mengancam kesehatan manusia. Penyebab utama tercemarnya air meliputi aktivitas manusia yang intens, proses industri kompleks, dan kurangnya kesadaran akan dampak limbah yang dibuang sembarangan ke perairan. Kualitas air bisa diukur dengan berbagai parameter, dan pendekatan machine learning dapat digunakan untuk klasifikasi kualitas air. Salah satu metode yang efektif adalah XGBoost, sebuah varian gradient tree boosting yang mampu meningkatkan akurasi prediksi dengan mengurangi overfitting. Penelitian sebelumnya telah menunjukkan bahwa XGBoost memiliki performa yang baik dalam klasifikasi, bahkan mengungguli beberapa algoritma lain seperti Naïve Bayes dan Random Forest dalam konteks tertentu. Penelitian ini juga bertujuan untuk mengukur akurasi algoritma XGBoost dalam melakukan klasifikasi kualitas air. Hasil percobaan menunjukan dengan dataset sebanyak 2400 dengan pembagian data latih 80% dan data uji 20%, yang terdiri dari 1200 data kelas dapat diminum dan 1200 data kelas tidak dapat diminum. Akurasi yang didapat adalah 82.29%, precision 78.62%, recall 85.90% dan f1-score 82.09%.

PREDIKSI JANGKA PENDEK JUMLAH PARIWISATA DENGAN METODE WEMA PADA PARAMETER MULTIVALUE FORECASTING PROVINSI JAWA TIMUR Aditya Bahrul 'Alam, Moch; Rakhmat Umbara, Fajri; Nurul Sabrina, Puspita
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 5 (2023): JATI Vol. 7 No. 5
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i5.7720

Weighted Exponential Moving Average (WEMA) merupakan metode baru dengan mengkombinasikan antara WMA dan EMA yaitu memprediksi data berdasarkan waktu yang akan datang dan menghitung nilai faktor penurunan bobot data dalam orde waktu. Metode WEMA sudah digunakan pada kasus prediksi harga saham IHSG yang memberikan hasil yang cukup baik dan prediksi kedatangan turis. Bidang pariwisata dapat dipengaruhi oleh beberapa faktor yaitu jumlah wisatawan, jumlah destinasi, jumlah hunian hotel, dan jumlah pendapatan perkapita. Metode WEMA sudah pernah digunakan dalam prediksi kedatangan turis namun menggunakan atribut berbeda sehingga belum diketahui akurasinya. Metode WEMA diimplementasikan dengan tahapan pra-proses yaitu seleksi data dan transformasi untuk merubah tanda koma menjadi titik, kemudian data dibagi menjadi data latih (80%) dan data uji (20%) pada atribut data Wisman, TPK Hotel Bintang dan Non Bintang, TPTT Hotel Bintang dan Non Bintang, RLMT Hotel Bintang dan Non Bintang, MKT Hotel Bintang dan Non Bintang. Evaluasi Mean Absolute Percentage Error (MAPE) dilakukan pada data latih dan data uji untuk mengukur tingkat akurasi prediksi. Hasil eksperimen dan evaluasi menunjukkan tingkat akurasi tergantung nilai span dan banyaknya data yang digunakan sehingga nilai span 2 untuk kedua pembagian data menunjukkan hasil terbaik pada semua atribut yang dievaluasi dengan hasil MAPE di bawah 5%.

KLASIFIKASI PENYAKIT DIABETES MENGGUNAKAN ALGORITMA CATEGORICAL BOOSTING DENGAN FAKTOR RISIKO DIABETES Levi Sabili, Naufal; Rakhmat Umbara, Fajri; Melina, Melina
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 6 (2024): JATI Vol. 8 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i6.11447

Indonesia menjadi salah satu negara yang memiliki jumlah penderita Diabetes Melitus tertinggi di dunia. Penyakit diabetes dapat menimbulkan komplikasi serius yang berpotensi membahayakan bagi penderitanya. Penelitian ini bertujuan untuk mengembangkan model prediksi yang akurat untuk mengklasifikasikan penyakit diabetes menggunakan algoritma Categorical Boosting (CatBoost) dengan mempertimbangkan berbagai risiko penyakit diabetes. CatBoost dikenal karena kemampuannya menangani data kategorikal dengan baik. Tahap awal dalam penelitian ini adalah pengolahan data atau pre-processing, yang meliputi pembersihan data untuk menangani masalah data yang tidak bersih, penanganan data dengan nilai ekstrem, dan memperbaiki tipe data yang tidak sesuai. Selanjutnya, dilakukan tahap pembuatan model prediksi menggunakan algoritma CatBoost yang merupakan metode gradient boosting yang efektif dalam pengambilan keputusan. Evaluasi model dilakukan menggunakan Confusion Matrix untuk menilai performa klasifikasi. Hasil penelitian menunjukkan akurasi yang cukup tinggi dalam klasifikasi pada penyakit diabetes yaitu sebesar 98,63% berdasarkan atribut yang digunakan pada data. Diharapkan, penelitian ini dapat memberikan kontribusi dalam memberikan pemahaman dan upaya pengelolaan risiko diabetes serta tingkat kematian yang disebabkan oleh penyakit tersebut.

PREDIKSI BANTUAN OPERASIONAL RAUDHATUL ATHFAL DI TINGKAT KABUPATEN MENGGUNAKAN METODE SUPPORT VECTOR MACHINE – REGRESSION Fauzan, Ariq; Witanti, Wina; Rakhmat Umbara, Fajri
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 1 (2025): JATI Vol. 9 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i1.12505

Bantuan Operasional Pendidikan Raudhatul Athfal (BOPRA) merupakan bantuan yang diberikan oleh pemerintah untuk membiayai personalia dan nonpersonalia agar dapat meningkatkan kegiatan belajar mengajar sekolah tingkat RA. RA (Raudhatul Athfal) merupakan salah satu perogram pendidikan berbasis agama Islam dikelola oleh Kementerian Agama. Dana BOPRA dihitung berdasarkan jumlah siswa yang terdaftar di DAPODIK (Data Pokok Pendidikan) dari setiap tahunnya akan dikalkulasikan per-triwulan dengan persentase 30%, 40%, dan 30% setiap persentase dibagi kedalam empat bulan yang nantinya akan diterima RA setiap bulannya. Untuk memprediksi dana yang akan diterima di masa mendatang diperlukan data historis yang di olah menggunakan machine learning. Machine learning merupakan metode yang dapat memproses data historis dalam jumlah yang besar untuk melakukan prediksi data dengan lebih akurat. Penggunaan pada algoritma Support Vector Regression (SVR) digunakan untuk melakukan prediksi nilai variable kontinu dengan prinsip yang sama dengan Support Vector Machine (SVM), dengan menerapkan algoritma SVR dapat membantu instansi kementerian agama dan sekolah – sekolah tingkat RA di kabupaten dalam pengambilan keputusan untuk memanfaatkan dana bantuan pendidikan yang akan diterima. Hasil dari prediksi BOPRA dengan menggunakan algoritma SVR sangat bagus digunakan dengan nilai parameter terbaik gamma 0.1, C 0.01, epsilon 1.8 menghasilkan RMSE 0.173 dan MAPE 3,74%.

KLASIFIKASI VIDEO PADA MEDIA SOSIAL YOUTUBE DENGAN MENGGUNAKAN METODE K-MEANS DAN SUPPORT VECTOR MACHINE Krisdianto Sitanggang, Sari; Rakhmat Umbara, Fajri; Ashaury, Herdi
Jurnal Locus Penelitian dan Pengabdian Vol. 2 No. 10 (2023): jurnal locus penelitian dan pengabdian
Publisher : Riviera Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58344/locus.v2i10.1732

Dalam era digital dan sosial media, platform seperti YouTube telah menjadi salah satu sumber utama video konten. Meningkatnya jumlah video di YouTube memunculkan kebutuhan untuk mengklasifikasikan video-video ini, baik untuk tujuan manajemen konten, rekomendasi, atau penegakan hukum. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan metode klasifikasi video yang efektif berdasarkan kontennya. Tujuan dari penelitian ini Mengembangkan sistem klasifikasi video yang dapat mengidentifikasi dan mengkategorikan video di platform media sosial YouTube. Mengimplementasikan metode k-Means dan Support Vector Machine (SVM) sebagai alat utama dalam proses klasifikasi. Meningkatkan akurasi dalam mengklasifikasikan video berdasarkan fitur-fitur kontennya. Meningkatkan pemahaman tentang penggunaan teknik Machine Learning dalam mengelola konten video di platform media sosial. Penelitian ini menggunakan metode k-Means untuk mengelompokkan video berdasarkan kesamaan fitur-fitur kontennya. Selanjutnya, Support Vector Machine (SVM) digunakan untuk melakukan klasifikasi berdasarkan hasil kelompok dari k-Means. Data yang digunakan dalam penelitian ini terdiri dari dataset video dari YouTube, dan fitur-fitur ekstrak yang relevan seperti tag, deskripsi, dan pemrosesan gambar. Proses eksperimen dan pengujian dilakukan untuk mengukur akurasi klasifikasi. Hasil penelitian ini menunjukkan bahwa kombinasi metode k-Means dan SVM dapat digunakan untuk mengklasifikasikan video pada platform media sosial YouTube dengan tingkat akurasi yang baik. Dengan menggunakan fitur-fitur konten yang relevan, sistem ini mampu mengenali kategori video dengan baik, yang bermanfaat untuk manajemen konten, analisis, dan rekomendasi. Kesimpulan dari penelitian ini Dalam era digital yang dipenuhi dengan konten video, penelitian ini menawarkan pendekatan yang efektif dalam mengklasifikasikan video di platform media sosial YouTube. Metode k-Means dan SVM berhasil digunakan untuk mengelompokkan dan mengklasifikasikan video dengan akurasi yang baik.

Prediksi Penyakit Diabetes Menggunakan Algoritma Support Vector Machine (SVM) Hovi, Hovi Sohibul Wafa; Id Hadiana, Asep; Rakhmat Umbara, Fajri
Informatics and Digital Expert (INDEX) Vol. 4 No. 1 (2022): INDEX, Mei 2022
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v4i1.895

Diabetes Mellitus (DM) atau lebih dikenal dengan sebutan penyakit kencing manis adalah penyakit kronis yang disebabkan oleh gagalnya organ pankreas memproduksi jumlah hormon insulin secara memadai sehingga menyebabkan peningkatan kadar glukosa dalam darah. Diabetes Mellitus merupakan penyakit yang berbahaya, banyak diberbagai negara terkena penyakit diabetes termasuk di Indonesia. Penyebab utama diabetes masih belum diketahui, namun banyak yang percaya bahwa faktor genetika dan gaya hidup dapat memainkan peran utama pada diabetes. Para peneliti di bidang bioinformatika telah berusaha untuk mengatasi penyakit ini dan membuat sistem untuk membantu dalam prediksi diabetes. Dari berbagai penelitian yang ada, banyak menggunakan metode seperti C4.5, KNN, Naïve Bayes, serta SVM Linier dalam membangun sistem, tapi metode SVM Radial Basis Function (RBF) jarang digunakan dikarenakan hasil akurasi yang didapat tidak cukup untuk digunakan pada sistem prediksi diabetes. Pada penelitian ini menjawab gap tersebut bahwa dengan menggunakan metode algoritma SVM Radial Basis Function (RBF) dapat menghasilkan akurasi yang tinggi dengan mencapai sebesar 91%. Pengujian akurasi yang dilakukan menggunakan Confusion Matrix dan peramalan Mean Square Error dengan kfold kelipatan 10. Penelitian ini bertujuan untuk menentukan apakah penderita/pasien dapat terkena penyakit diabetes atau tidak dengan menerapkan teknik data mining dan klasifikasi menggunakan algoritma SVM Radial Basis Function berbasis Forward Selection.

Peningkatan Klasifikasi Serangan DDoS pada SDN Menggunakan XGBoost dan RAMOBoost Badar, Ahmad; Rakhmat Umbara, Fajri; Nurul Sabrina, Puspita
Jurnal Algoritma Vol 22 No 2 (2025): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.22-2.2460

The aim of this study is to detect Distributed Denial of Service (DDoS) attacks in Software Defined Networking (SDN) environments using the XGBoost algorithm and the RAMOBoost balancing technique to address the issue of data imbalance. SDN offers flexibility in network management but remains vulnerable to DDoS attacks. The dataset used in this research consists of two classes (normal and attack) with an imbalanced distribution. XGBoost was chosen for its ability to deliver accurate predictions, while RAMOBoost was employed to enhance data representation for the minority class. The results show that before balancing, the model achieved 100% precision for the majority class and 96% precision for the minority class, with recall values of 97% and 100%, respectively. After applying RAMOBoost, precision and recall became more balanced, ranging between 97%–99%, while maintaining a high overall accuracy of 98%. Grouped Feature Importance analysis revealed that randomizing important features reduced accuracy from 97.88% to 49.78%, whereas randomizing unimportant features only slightly decreased accuracy to 97.82%. The main contribution of this study lies in the combined application of RAMOBoost and XGBoost, which proved effective in improving classification performance on imbalanced datasets, and in emphasizing the critical role of feature selection in maintaining model stability. These findings provide valuable insights for network administrators in developing effective attack detection systems for SDN environments.

Title

Found 10 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 10 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 10 Documents
Search