Garuda - Garba Rujukan Digital

Optimasi Akurasi dan Efisiensi Deteksi Intrusi pada Lingkungan Komputasi Awan dengan Analisis Deret Waktu CNN-LSTM Martanto; Khaerul Anam; Indra Wiguna Marthanu; Puji Pramudya Marta
Prosiding SISFOTEK Vol 9 No 1 (2025): SISFOTEK IX 2025
Publisher : Ikatan Ahli Informatika Indonesia

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

This study proposes a CNN-LSTM time series analysis-based intrusion detection system (IDS) model to improve accuracy and efficiency in cloud computing environments. With more organizations moving to the cloud, security threats are becoming more sophisticated, rendering traditional detection methods inadequate. The objective of this study is to develop and evaluate a hybrid model that can address these challenges. The methodology used involves an experimental quantitative approach on a representative CSE-CIC-IDS2018 dataset. This dataset underwent rigorous data preprocessing, including data cleaning, conversion to time series format, and feature selection using stationarity and Granger causality tests. The CNN-LSTM model was then trained and evaluated using accuracy and computational efficiency metrics. The results showed superior model performance with an accuracy of 0.910, precision of 0.874, and F1-Score of 0.882. The model also demonstrated good computational efficiency, with a training time of 3.9887 seconds and a prediction time of 0.3607 seconds, making it suitable for real-time detection. This study concludes that the CNN-LSTM model is a viable solution for improving cloud computing security, offering a balance between high accuracy and good computational efficiency. Future research could explore multi-dataset validation and the integration of interpretation methods to improve its application.

Evaluasi Pengaruh Kualitas Data Terhadap Performa Model Machine Learning Menggunakan Pendekatan Data-Centric AI Bisma Mahendra; Martanto; Denni Pratama; Ahmad Faqih; Rudi Kurniawan
Jurnal Sistem Informasi dan Teknologi Vol 6 No 1 (2026): Jurnal Sistem Informasi dan Teknologi (SINTEK)
Publisher : LPPM STMIK KUWERA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56995/sintek.v6i1.211

Penelitian ini mengevaluasi pengaruh kualitas data terhadap performa model machine learning menggunakan pendekatan Data-Centric Artificial Intelligence (DCAI). Eksperimen dilakukan pada Titanic Dataset dengan membandingkan Random Forest dan Support Vector Machine (SVM) dalam tiga skenario penanganan missing values, yaitu Drop Missing, Mean Imputation, dan No Imputation. Kinerja model dievaluasi menggunakan metrik Accuracy, F1 Score, dan Area Under Curve (AUC). Hasil menunjukkan bahwa intervensi kualitas data memberikan dampak signifikan terhadap performa model. Random Forest mencapai performa terbaik pada skenario Drop Missing dengan Accuracy 0.813, F1-Score 0.758, dan AUC 0.859, sedangkan SVM memperoleh Accuracy tertinggi sebesar 0.822 pada skenario Mean Imputation. Uji statistik Paired t-Test menunjukkan tidak terdapat perbedaan performa yang signifikan secara statistik antara kedua model (p-value > 0.05). Temuan ini menegaskan bahwa peningkatan kualitas data lebih berpengaruh terhadap kinerja model dibandingkan pemilihan algoritma, sehingga mendukung paradigma Data-Centric AI.

Evaluasi Pengaruh Kualitas Data Terhadap Performa Model Machine Learning Menggunakan Pendekatan Data-Centric AI Bisma Mahendra; Martanto; Denni Pratama; Ahmad Faqih; Rudi Kurniawan
Jurnal Sistem Informasi dan Teknologi Vol 6 No 1 (2026): Jurnal Sistem Informasi dan Teknologi (SINTEK)
Publisher : LPPM STMIK KUWERA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56995/sintek.v6i1.211

Penelitian ini mengevaluasi pengaruh kualitas data terhadap performa model machine learning menggunakan pendekatan Data-Centric Artificial Intelligence (DCAI). Eksperimen dilakukan pada Titanic Dataset dengan membandingkan Random Forest dan Support Vector Machine (SVM) dalam tiga skenario penanganan missing values, yaitu Drop Missing, Mean Imputation, dan No Imputation. Kinerja model dievaluasi menggunakan metrik Accuracy, F1 Score, dan Area Under Curve (AUC). Hasil menunjukkan bahwa intervensi kualitas data memberikan dampak signifikan terhadap performa model. Random Forest mencapai performa terbaik pada skenario Drop Missing dengan Accuracy 0.813, F1-Score 0.758, dan AUC 0.859, sedangkan SVM memperoleh Accuracy tertinggi sebesar 0.822 pada skenario Mean Imputation. Uji statistik Paired t-Test menunjukkan tidak terdapat perbedaan performa yang signifikan secara statistik antara kedua model (p-value > 0.05). Temuan ini menegaskan bahwa peningkatan kualitas data lebih berpengaruh terhadap kinerja model dibandingkan pemilihan algoritma, sehingga mendukung paradigma Data-Centric AI.

Pengembangan Model Pengelompokan Jenis Bencana Alam di Jawa Baratmenggunakan Algoritma K-Means Adi Putra, Panji; Martanto; Rinaldi Dikananda, Arif; Rohman, Dede
Bianglala Informatika Vol. 13 No. 1 (2025): Maret 2025
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/bianglala.v13i1.11998

Salah satu masalah terbesar yang dihadapi masyarakat Jawa Barat adalah bencana alam.Analisis berbasis data diperlukan untuk memahami pola kejadian bencana dan mendukung kebijakanmitigasi yang efektif karena berbagai jenis bencana. Untuk menganalisis data kejadian bencana diJawa Barat selama periode 2020–2023, penelitian ini menggunakan pendekatan KnowledgeDiscovery in Databases (KDD).Tahapan KDD meliputi pembuatan dataset, preprocessing untuknormalisasi dan penanganan data hilang, serta transformasi guna menentukan atribut utama.Algoritma K-Means digunakan dalam proses data mining untuk mengelompokkan wilayahberdasarkan jenis bencana dan intensitasnya. Tahap terakhir adalah interpretasi hasil, yang bertujuanuntuk memahami pola distribusi bencana. Hasil klasterisasi menghasilkan lima kluster utama. Cluster0 menunjukkan dominasi kejadian banjir dan kebakaran lahan, sering ditemukan di dataran rendahdengan karakteristik lingkungan yang rawan pembakaran liar. Cluster 1 didominasi oleh kejadiantanah longsor di wilayah perbukitan yang curah hujannya tinggi. Cluster 2 mencerminkan kombinasikejadian hujan angin dan kekeringan di daerah pedesaan dengan sumber daya air terbatas. Cluster 3menunjukkan kejadian bencana dengan frekuensi rendah dan distribusi yang merata, seringkali terkaitdengan daerah urban. Sementara itu, Cluster 4 memiliki tingkat heterogenitas tertinggi, mencakupberbagai jenis bencana dengan intensitas bervariasi di wilayah pegunungan dan lembah. Kualitasklasterisasi diukur menggunakan Davies-Bouldin Index (DBI) sebesar 0.085, mengindikasikanpemisahan kluster yang baik. Selain itu, analisis Performance Vector menunjukkan jarak total antarkluster sebesar 2.311, dengan jarak terbesar pada Cluster 4 (4.672). penelitian ini diharapkan dapatmembantu dalam perencanaan dan alokasi sumber daya yang lebih tepat sasaran untuk mitigasibencana.

Comparative Performance Analysis of Multilayer Perceptron and Long Short-Term Memory for Daily Demand Forecasting in E-Commerce Delivery Platforms Unari, Ica; Martanto; Dana, Raditya Danar; Rifa'i, Ahmad; Hamongan, Ryan
Journal of Artificial Intelligence and Engineering Applications (JAIEA) Vol. 5 No. 2 (2026): February 2026
Publisher : Yayasan Kita Menulis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59934/jaiea.v5i2.1846

This study compares the performance of two deep learning architectures—Multilayer Perceptron (MLP) and Long Short-Term Memory (LSTM)—for daily demand forecasting on an e-commerce delivery platform. The dataset consists of 1,827 daily observations from 2020 to 2024 and includes operational, temporal, and behavioral features such as holiday indicators, promotion signals, active customers, and delivery time. Data preprocessing includes cleaning, feature engineering, scaling, and sequence generation using a 30-day sliding window. Both models were trained and evaluated using consistent experimental settings and performance metrics. The results show that the LSTM model achieves better accuracy than the MLP model, with an RMSE of 811.81 compared to 830.15, while the difference in MAE between the two models remains minimal. LSTM demonstrates superior capability in capturing temporal dependencies and reacting to rapid demand fluctuations, whereas both models face challenges when predicting sudden demand spikes. These findings indicate that memory-based models such as LSTM are more effective for highly volatile time-series forecasting in e-commerce operations. However, performance can be further improved with the addition of external variables such as real-time promotions, weather conditions, and multivariate features.

Predicting Student Academic Performance Based on Learning Habits Using XGBoost and SHAP Latifah, Siti; Martanto; Dana, Raditya Danar; Dikananda, Fatihanursari; Hayati, Umi
Journal of Artificial Intelligence and Engineering Applications (JAIEA) Vol. 5 No. 2 (2026): February 2026
Publisher : Yayasan Kita Menulis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59934/jaiea.v5i2.1860

This study developed a model for predicting student academic achievement based on learning habits using the XGBoost algorithm and SHAP interpretability techniques. The secondary dataset contains 1,000 entries and 16 variables (for example, hours of study per day, mental health, frequency of exercise, social media use, hours of sleep) pre-processed including cleaning, imputation, encoding, and normalization before being divided into train–test (80:20) and validated using 5-fold CV. Three models were tested: Linear Regression, Random Forest, and XGBoost. Evaluation using RMSE, MAE, and R² showed that XGBoost achieved RMSE = 0.335, MAE = 0.266, and R² = 0.882, while Linear Regression showed the best performance according to R² in certain configurations (R² = 0.888; RMSE = 0.326). SHAP analysis revealed that the most influential features were hours of study per day, mental health scores, exercise frequency, duration of social media use, and hours spent watching Netflix. The findings confirm that students' study habits and psychological conditions are the main determinants of academic achievement variation; the use of interpretable features strengthens the readability of the model for education stakeholders. Research recommendations include testing the model on longitudinal datasets, integrating socioeconomic factors, and implementing data privacy procedures before institutional-scale implementation.

KLASIFIKASI PENYAKIT DAUN PADI MENGGUNAKAN TRANSFER LEARNING DENGAN ANALISIS PENGARUH VARIASI DIMENSI CITRA PADA KINERJA MODEL Akhmad Taukhid; Martanto; Yudhistira Arie Wijaya; Heliyanti Susana; Nana Suarna
METHODIKA: Jurnal Teknik Informatika dan Sistem Informasi Vol. 12 No. 1 (2026): Volume 12 Nomor 1 Tahun 2026
Publisher : Universitas Methodist Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46880/mtk.v12i1.4940

Penelitian ini berfokus pada deteksi dini penyakit daun padi untuk meningkatkan produktivitas pertanian dan mengurangi kesalahan diagnosis yang sering terjadi pada identifikasi manual. Meskipun berbagai penelitian telah menerapkan deep learning untuk klasifikasi penyakit tanaman, pengaruh resolusi citra terhadap kinerja model klasifikasi penyakit daun padi, khususnya pada skenario data terbatas, masih jarang dikaji secara sistematis. Penelitian ini bertujuan menganalisis kinerja model klasifikasi penyakit daun padi berbasis transfer learning dengan arsitektur VGG16 pada citra beresolusi 224×224 piksel, sekaligus menilai efisiensi proses komputasi pelatihan dan pengujian yang dilakukan. Data yang digunakan berupa 320 citra daun padi dari dataset publik “Daun Padi Sultra (Sulawesi Tenggara)” di Kaggle yang komprehensif menjadi data latih, validasi, dan uji dengan perbandingan 60:20:20. Tahapan penelitian utama meliputi eksplorasi karakteristik dan distribusi data, pra-pemrosesan citra (pengubahan ukuran ke 224×224, normalisasi, dan augmentasi terbatas), serta pembangunan model transfer learning dengan VGG16 sebagai ekstraktor fitur yang membekukan dan kepala klasifikasi kustom. Model dibor menggunakan optimizer Adam dengan mekanisme EarlyStopping dan ModelCheckpoint, kemudian dievaluasi menggunakan akurasi, presisi, recall, F1-score, dan konfusi matriks. Hasil pengujian menunjukkan bahwa model mencapai akurasi uji sebesar 98,44% dengan loss 0,1815, serta nilai rata-rata makro dan rata-rata tertimbang untuk presisi, recall, dan F1-score yang mendekati 0,98 dengan hanya satu kesalahan klasifikasi pada data uji. Proses pelatihan dan penyelesaian dapat diselesaikan dengan beban komputasi yang masih moderat pada lingkungan GPU Google Colab, sehingga konfigurasi VGG16 dengan resolusi 224×224 piksel berpotensi menjadi baseline yang efektif dan efisien untuk klasifikasi penyakit daun padi pada skenario data terbatas.

Title

Found 27 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 27 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 27 Documents
Search