Claim Missing Document
Check
Articles

Found 2 Documents
Search

PENILAIAN RISIKO KEAMANAN INFORMASI PADA SISTEM INFORMASI AKADEMIK (SIAKAD) DENGAN MENGGUNAKAN FRAMEWORK NIST-SP 800 30 Sulaeman, Hena; Utomo, Hadi Prasetyo; Suryana, Agus Iim
Naratif (Jurnal Nasional Riset, Aplikasi Dan Teknik Informatika) Vol 5 No 2 (2023): NARATIF : Jurnal Nasional Riset Aplikasi dan Teknik Informatika
Publisher : Sekolah Tinggi Teknologi Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53580/naratif.v5i2.254

Abstract

Seiring dengan perkembangan teknologi banyak kejahatan cyber yang sangat meresahkan terhadap data yang ada di suatu organisasi atau perusahaan, hal penting yang harus menjadi focus utama terhadap data dan informasi adalah melindungi informasi yang bersifat rahasia agar tidak bocor ke public atau segelintir orang yang tidak berkepentingan. Dengan meningkatnya insiden keamanan cyber berupa perusakan situs web (web defacement), peretasan (hacking) dan perangkat lunak berbahaya keamanan informasi harus menjadi fokus utama yang harus di selesaikan terutama di sector pendidikan hal ini merujuk pada Peraturan Sekretaris Jenderal Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi Nomor 11 Tahun 2022 tentang Sistem Manajemen Keamanan Informasi pada Sistem Pemerintahan Berbasis Elektronik Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi. Sistem keamanan informasi seperangkat kebijakan, prosedur, teknologi, dan praktik yang dirancang untuk melindungi, mengamankan, dan menjaga kerahasiaan, integritas, dan ketersediaan data dan informasi dalam suatu organisasi. Penggunaan Framework NIST-SP 800-30 sebagai panduan dalam manajemen risiko keamanan informasi bertujuan untuk mengidentifikasi, mencegah, dan mengelola potensi risiko yang dapat membahayakan organisasi. Dengan demikian, organisasi dapat mengurangi kemungkinan terjadinya kerugian yang signifikan. Tujuan akhirnya adalah melindungi proses bisnis organisasi dari berbagai ancaman keamanan, meminimalkan potensi kerugian, dan mencegah terjadinya gangguan serius terhadap sistem dan teknologi informasi yang digunakan oleh organisasi. Penelitian ini berfokus pada penilaian risiko aset system informasi yang terkait dengan system informs akademik (SIAKAD) yang didasarkan pada panduan NIST-SP 800-30. Penilaian risiko bertujuan untuk mengidentifikasi dan mengevaluasi tingkat kerentanan dari aset Teknologi Informasi (TI) yang dapat mempengaruhi proses bisnis. Hasil dari evaluasi risiko digunakan sebagai landasan untuk merencanakan langkah-langkah pengamanan yang disesuaikan dengan tingkat risiko yang telah diidentifikasi dan direkomendasikan. Dengan demikian, penelitian ini bertujuan untuk memastikan bahwa rekomendasi kontrol keamanan yang di sarankan akan efektif dalam mengurangi risiko yang mungkin timbul dari aset TI yang berdampak pada proses bisnis.
EXPLAINABLE AI SEBAGAI SOLUSI BLACK BOX EFFECT DALAM KECERDASAN BUATAN Takwim, Ahsani; Sulaeman, Hena
SEMINAR TEKNOLOGI MAJALENGKA (STIMA) Vol 9 (2025): Seminar Teknologi Majalengka (STIMA) 9.0 Tahun 2025
Publisher : Universitas Majalengka

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

The black box effect in artificial intelligence models has raised serious concerns regarding transparency and accountability. Explainable Artificial Intelligence (XAI) has emerged as a solution by offering interpretability and clearer reasoning in complex models. This study aims to analyze the development of XAI research and identify dominant approaches used to overcome the limitations of black box models. A bibliometric method was applied using data from the Scopus database, focusing on publication trends, author keywords, and frequently applied methods. The analysis shows that research on XAI has grown rapidly, with the number of publications increasing more than tenfold within the observed period. The trend demonstrates that interpretability is becoming a central aspect of artificial intelligence research. Keyword analysis highlights the strong association of XAI with machine learning and deep learning, while method analysis reveals that SHAP and LIME are the most dominant techniques, supported by Grad CAM and Surrogate Models in more specific applications. These findings confirm that XAI is not only an academic discourse but also an urgent response to the challenges of modern AI systems, ensuring that models are not only accurate but also transparent, understandable, and trustworthy for decision making.