Article Per Year (5 Year)
p-Index From 2020 - 2025
4.098
P-Index
This Author published in this journals
All Journal Jurnal Manajemen Bisnis PIKSEL : Penelitian Ilmu Komputer Sistem Embedded and Logic Jurnas Nasional Teknologi dan Sistem Informasi Jurnal ULTIMA InfoSys JURNAL PENDIDIKAN TAMBUSAI EDUKATIF : JURNAL ILMU PENDIDIKAN JISICOM (Journal of Information System, Infomatics and Computing) Jurnal Kependidikan: Jurnal Hasil Penelitian dan Kajian Kepustakaan di Bidang Pendidikan, Pengajaran dan Pembelajaran Jurnal Manajemen Informatika Jayakarta Journal of Students‘ Research in Computer Science (JSRCS) International Journal of Regional Innovation Brilliance: Research of Artificial Intelligence Jurnal Pendidikan Vokasi Raflesia Jurnal Desain Komunikasi Visual Nirmana Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Digital Transformation Technology (Digitech) International Journal of Information Technology and Computer Science Applications (IJITCSA) Jurnal Guru Komputer Journal of Computer Science Contributions (Jucosco) Jurnal PETISI (Pendidikan Teknologi Informasi) Orbit : Jurnal Ilmu Multidisiplin Nusantara Jurnal Komtika (Komputasi dan Informatika)
Rasim, Rasim
Unknown Affiliation
Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Environmental Science Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Social Sciences Other

Published : 31 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Jurnal Manajemen Informatika Jayakarta

 1 
SISTEM PAKAR BERBASIS WEB DIAGNOSIS KERUSAKAN PRINTER MENGGUNAKAN ALGORITMA NAIVE BAYES Rasim, Rasim; Handayani, Dwipa; Lubis, Hendarman; Rawinto, Irsyad
Jurnal Manajamen Informatika Jayakarta Vol 5 No 3 (2025): Jurnal Manajemen Informatika Jayakarta ( JMI Jayakarta)
Publisher : Sekolah Tinggi Manajemen Informatika dan Komputer Jayakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52362/jmijayakarta.v5i3.2090

Abstract

Penelitian ini dilatarbelakangi oleh proses diagnosa kerusakan printer yang masih manual di WW Print Solution, sebuah pusat layanan perbaikan printer, yang menyebabkan potensi ketidakakuratan dan keterlambatan perbaikan. Untuk mengatasi permasalahan tersebut, penelitian ini bertujuan merancang dan mengimplementasikan sistem pakar berbasis web yang mampu mendiagnosa kerusakan printer menggunakan algoritma Naive Bayes. Metode pengembangan Waterfall diterapkan secara terstruktur, mencakup analisis kebutuhan, perancangan sistem menggunakan Unified Modeling Language (UML), serta desain basis data. Implementasi dilakukan dengan bahasa pemrograman PHP dan MySQL, dan pengujian sistem menggunakan metode Black Box Testing untuk memvalidasi fungsionalitasnya. Hasil penelitian menunjukkan bahwa sistem pakar yang dibangun berhasil mendiagnosa kerusakan printer secara otomatis sesuai dengan perhitungan probabilitas Naive Bayes. Aplikasi ini terbukti mampu mempercepat proses identifikasi masalah, mengurangi ketergantungan pada pengalaman teknisi, dan meningkatkan efisiensi operasional. Dengan demikian, sistem ini memberikan solusi efektif untuk diagnosa kerusakan printer yang lebih cepat dan akurat, serta meningkatkan kualitas layanan di WW Print Solution. Kata kunci: Sistem Pakar, Diagnosa Printer, Naive Bayes, Web, Waterfall
ANALISIS KOMPARATIF ALGORITMA MACHINE LEARNING UNTUK MENDETEKSI MALICIOUS URL BERBASIS FITUR GANDA Alexander, Allan Desi; Warta, Joni; Lubis, Hendarman; Mahbub, Asep Ramdhani; Rasim, Rasim
Jurnal Manajamen Informatika Jayakarta Vol 5 No 3 (2025): Jurnal Manajemen Informatika Jayakarta ( JMI Jayakarta)
Publisher : Sekolah Tinggi Manajemen Informatika dan Komputer Jayakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52362/jmijayakarta.v5i3.2101

Abstract

Malicious URL Detection (MUD) merupakan komponen esensial dalam pertahanan siber, mengingat kerugian finansial global yang disebabkan oleh phishing, penyebaran malware, dan serangan botnet IoT. Pendekatan tradisional seperti blacklisting terbukti tidak efektif melawan URL yang baru dibuat atau polymorphic. Penelitian ini menyajikan analisis komparatif ekstensif dari tiga kelas algoritma utama: Ensemble Learning (Random Forest/RF), Kernel Methods (Support Vector Machine/SVM), dan Deep Learning (DL), dalam mengklasifikasikan URL yang berpotensi berbahaya. Data yang digunakan bersumber dari repositori publik URLhaus, yang sangat fokus pada malware download, khususnya kampanye botnet Mozi dan Mirai. Metodologi studi ini menekankan pada rekayasa fitur multi-modal, yang menggabungkan fitur leksikal, berbasis host/domain, dan fitur berbasis metadata (tag malware). Kinerja model dievaluasi menggunakan metrik yang sensitif terhadap keamanan siber, yaitu Presisi, Recall, dan F1-Score, untuk meminimalisir False Negatives. Hasil analisis memperlihatkan bahwa meskipun model DL mencapai akurasi tertinggi, Random Forest menawarkan keseimbangan optimal antara kinerja deteksi yang kuat dan efisiensi komputasi, menjadikannya ideal untuk implementasi real-time dalam sistem deteksi ancaman. Malicious URL Detection (MUD) is an essential component of cyber defense, given the global financial losses caused by phishing, malware distribution, and IoT botnet attacks. Traditional approaches such as blacklisting have proven ineffective against newly created or polymorphic URLs. This study presents an extensive comparative analysis of three main classes of algorithms: Ensemble Learning (Random Forest/RF), Kernel Methods (Support Vector Machine/SVM), and Deep Learning (DL), in classifying potentially malicious URLs. The data used is sourced from the public repository URLhaus, which focuses heavily on download malware, specifically the Mozi and Mirai botnet campaigns. The study's methodology emphasizes multi-modal feature engineering, combining lexical, host/domain-based, and metadata-based features (malware tags). Model performance is evaluated using cybersecurity-sensitive metrics, namely Precision, Recall, and F1-Score, to minimize False Negatives. The analysis results show that although the DL model achieves the highest accuracy, Random Forest offers an optimal balance between strong detection performance and computational efficiency, making it ideal for real-time implementation in threat detection systems.
Co-Authors ACHMAD FAUZI Agus Hidayat Al-Kadzim, Muhammad Ghiyats Alexander, Allan D Anisyah, Ani Baszliah Nursabrina Bayu Wicaksono Dwipa Handayani Eka Fitrajaya Rahman Enjang Ali Nurdin Erlangga Erlangga Fajar Ramadhan Fauzi, Indah Resti Fazira, Ira Fried Sinlae Ghaitsa Zahira Shaffa Hambali, Yudi Ahmad Herbert Siregar Herlawati Herlawati Isya, Nadhief Athallah Joniwarta Judie, Rizky Rachman Juliano, Aryo Julianti, Sukma Junaeti, Enjun Khaairi, Mochamad Lavianti, Desi Lubis, Hendarman Mahbub, Asep Ramdhani Mahphoth, Mohd Halim bin Mugiarso Mugiarso, Mugiarso Muhamad Firdaus Muhammad Khaerudin Muhammad Yasir Munir Munir, Munir Nailah Nurul Qalbina Natasya Regita Gandawidjaya Nursalman, Muhammad Nusratullo, Samialloi Piantari, Erna Prima Dina Atika Pujiono, Krisna Dimas Puspo Dewi Dirgantari Putro, Budi Laksono Ranggana, Alfaza Rani Megasari Rawinto, Irsyad Robertus Suraji Rosa, Elisa Rozi, Muhammad Fahru Sari, Fitra Bona Septem Riza, Lala Shafarin, Anti Nuraulia Silaen, Oriza Sativa Dinauni Siregar, Herbert SITI SETIAWATI Sofyan, Muhammad Hilmy Rasyad Sugiyatno Sugiyatno Sumitra, Desfasa Ilham Syafri Syamsudin, Muhammad Ully, Rona Wawan Setiawan Wihardi, Yaya Wijati, Damar Zulkifli, Akmal