Aboagye, Osei Enoch
Unknown Affiliation

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

Kesadaran Keamanan Siber pada Kalangan Mahasiswa Universitas di Kota Batam Tan, Tony; Sama, Hendi; Wibowo, Tony; Wijaya, Gautama; Aboagye, Osei Enoch
Jurnal Teknologi dan Informasi (JATI) Vol 14 No 2 (2024): Jurnal Teknologi dan Informasi (JATI)
Publisher : Program Studi Sistem Informasi, Fakultas Teknik dan Ilmu Komputer, Universitas Komputer Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34010/jati.v14i2.12518

Abstract

Keamanan siber adalah perlindungan sistem perangkat lunak dan perangkat keras komputer. Keamanan siber menetapkan persyaratan yang harus diikuti oleh pengguna komputer untuk mencegah segala jenis serangan siber. Namun, hanya pengguna yang lebih sadar akan keamanan siber yang terlindungi dengan baik. Dengan memastikan kerahasiaan, integritas, dan ketersediaan, kata sandi, sistem operasi, serta konfigurasi privasi dan keamanan platform media sosial harus ditanggapi dengan serius. Penelitian ini bertujuan untuk mengukur tingkat kesadaran keamanan siber mahasiswa di Kota Batam. Penulis menggunakan metode kuantitatif dengan melakukan tes statistik yang berbeda, seperti tes validitas, tes reliabilitas dan ukuran sampel. Survei dilakukan dengan menyebarkan kuesioner kepada mahasiswa untuk diisi secara online. Respon dihitung dalam persentase. Sebanyak 469 mahasiswa dari lima perguruan tinggi yang dipilih secara acak dari Batam, Kepulauan Riau, menanggapi survei tersebut. Setelah menganalisis data, hasilnya menunjukkan bahwa mahasiswa memiliki tingkat kesadaran keamanan siber yang rendah karena 11 mahasiswa tidak menerapkan pembaruan perangkat lunak dan 6 mengabaikan pembaruan perangkat lunak. Selain itu, 75,3% mahasiswa menggunakan kata sandi yang digunakan sebelumnya, 74% menggunakan satu kata sandi yang kuat untuk akun yang berbeda dan 78,5% mengatakan itu menjengkelkan untuk memiliki kata sandi yang panjang dan kuat untuk setiap akun. Terakhir, 73,3% berbagi lokasi saat ini secara publik di media sosial dan 68,7% berbagi informasi pribadi yang sensitif. Oleh karena itu, penulis merekomendasikan universitas untuk memasukkan pendidikan keamanan siber di semua departemen. Juga, ada kebutuhan untuk pelatihan reguler baik dosen maupun mahasiswa tentang keamanan siber.
Studi Perbandingan Deteksi Intrusi Jaringan Menggunakan Machine Learning: (Metode SVM dan ANN) Tan, Tony; Sama, Hendi; Wijaya, Gautama; Aboagye, Osei Enoch
Jurnal Teknologi dan Informasi (JATI) Vol 13 No 2 (2023): Jurnal Teknologi dan Informasi (JATI)
Publisher : Program Studi Sistem Informasi, Fakultas Teknik dan Ilmu Komputer, Universitas Komputer Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34010/jati.v13i2.10484

Abstract

Machine Learning berkaitan dengan penggunaan algoritma untuk membuat mesin berfungsi. Algoritma supervised machine learning belajar pada dataset untuk membuat prediksi berdasarkan pengetahuan yang mereka peroleh saat belajar. Machine Learning memiliki dampak signifikan dalam keamanan siber. Sistem deteksi intrusi (IDS), sistem pencegahan intrusi (IPS) dan firewall tradisional membantu mendeteksi intrusi tetapi sayangnya, kebanyakan dari mereka memberi false alarm, dapat memiliki kerentanan dan dapat salah konfigurasi. Penggunaan algoritma machine learning telah terbukti lebih efektif dalam deteksi intrusi. Penelitian ini bertujuan untuk membandingkan efektivitas Algoritma Support Vector Machine (SVM) dan Artificial Neural Network (ANN) untuk intrusi deteksi. Penelitian ini menggunakan metode eksperimen dengan melatih dan menguji SVM dan ANN pada Dataset KDD Cup 99 di Google Colaboratory. Skor akurasi pelatihan dan pengujian, waktu pelatihan dan pengujian, Receiver Operating Characteristic Curve (Kurva ROC) dan kecepatan jaringan adalah parameter untuk perbandingan. Hasil dari eksperimen menunjukkan bahwa; Kedua model bagus untuk mendeteksi intrusi karena SVM dan ANN memiliki skor di atas 90%. SVM lebih efektif daripada ANN dalam deteksi intrusi dengan akurasi pelatihan dan pengujian 99,87% dan 99,81%. Juga AUC untuk SVM adalah 1 untuk semua lima kelas dan mengambil lebih sedikit waktu dalam melatih dataset.