Article Per Year (5 Year)
p-Index From 2021 - 2026
2.39
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi Jurnal ELTIKOM : Jurnal Teknik Elektro, Teknologi Informasi dan Komputer Jusikom : Jurnal Sistem Komputer Musirawas Jurnal Informatika Global Journal of Embedded Systems, Security and Intelligent Systems Journal of Intelligent Networks and IoT Global Komputasi : Jurnal Ilmiah Ilmu Komputer dan Matematika
Ricky Maulana Fajri
Universitas Indo Global Mandiri
Aerospace Engineering Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Mathematics

Published : 18 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 18 Documents
Search

 1   2 
SIMULASI KEAMANAN JARINGAN DENGAN METODE NETWORK DEVELOPMENT LIFE CYCLE MENGGUNAKAN SWITCH PORT SECURITY PADA PT PINUS MERAH ABADI Putri, RA Martasya; Zulkifli; Fajri, Ricky Maulana
Journal Of Intelligent Networks and IoT Global Vol 1 No 2 (2023)
Publisher : Universitas Indo Global Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36982/jinig.v1i2.3646

Abstract

Perkembangan teknologi di dunia jaringan komputer semakin cepat seiring dengan meningkatnya tuntutan akan koneksi yang efisien, stabil, dan aman. Salah satu faktor penting dalam meningkatkan kualitas jaringan adalah keamanan jaringan atau network security. Terdapat berbagai teknik yang dapat digunakan untuk meningkatkan tingkat keamanan, seperti membangun sistem firewall atau mengimplementasikan port security. Port security melibatkan penggunaan port-port yang ada untuk mengatur akses ke jaringan. Dalam lingkungan kerja PT Pinus Merah Abadi, seringkali terjadi masalah seperti koneksi yang lambat dan kelemahan dalam aspek keamanan jaringan. Untuk mengatasi ini, penulis akan melakukan simulasi penggunaan port-security pada setiap switch di PT Pinus Merah Abadi agar jaringan komputer menjadi lebih aman dan terhindar dari masalah-masalah tersebut
EFEKTIVITAS PENGGOLONGAN KENDARAAN DENGAN METODE CNN PADA SISTEM TRANSAKSI DI GERBANG TOL Pratama, Aditya; Sunardi, Hastha; Fajri, Ricky Maulana
Journal Of Intelligent Networks and IoT Global Vol 2 No 1 (2024)
Publisher : Universitas Indo Global Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36982/jinig.v2i1.4435

Abstract

Penelitian ini mengusulkan penerapan metode klasifikasi citra multikelas untuk meningkatkan efektivitas penggolongan kendaraan dalam sistem transaksi di gerbang. Metode ini menggunakan pendekatan pembelajaran mesin untuk mengenali dan mengelompokkan kendaraan berdasarkan citra yang diperoleh dari sistem pengawasan gerbang. Penelitian ini bertujuan untuk meningkatkan akurasi dan kecepatan penggolongan kendaraan, sehingga dapat mendukung efisiensi dalam proses transaksi gerbang. Pengujian dilakukan menggunakan dataset beragam kendaraan dan hasilnya menunjukkan peningkatan yang signifikan dalam klasifikasi kendaraan secara akurat. Implementasi metode ini diharapkan dapat memberikan kontribusi positif terhadap pengembangan sistem transaksi di gerbang, meningkatkan keandalan dan kecepatan layanan
REKAYASA SISTEM MONITIRONG PENGGUNAAN DAYA PADA KOMPUTER BERBASIS INTERNET OF THINGS Putra, Sony Dwi; Tasmi; Fajri, Ricky Maulana
Journal Of Intelligent Networks and IoT Global Vol 3 No 2 (2025)
Publisher : Universitas Indo Global Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36982/jinig.v3i2.6588

Abstract

Monitoring adalah sebuah ruangan yang digunakan untuk menyimpan komputer server dan perangkat jaringan. Ruang server adalah aset penting untuk perusahaan atau lembaga yang menerapkan teknologi informasi sebagai penunjang dalam kegiatan sehari-harinya. Daya yang tidak stabil dapat menyebabkan kerusakan pada server. Pentingnya hal tersebut dikarenakan pada ruang monitoring terdapat aplikasi dan basis data yang menyimpan segala informasi penting dan bernilai bagi perusahaan atau lembaga yang bersangkutan, oleh karena itu ruangan server harus selalu dalam kondisi baik. Rancang bangun sistem monitoring arus dan tegangan ini dirancang untuk mendeteksi perubahan arus dan tegangan pada ruangan dengan menggunakan NodeMCU ESP8266 sebagai kontrol utamanya, lalu mengunakan ACS 1712 sebagai sensor pendeteksi arus dan tegangan, selanjutnya data akan dikirim ke aplikasi Bylnk yang sudah terinstall pada smartphone. Jika sensor ACS 1712 mendeteksi suhu lebih dari 28⁰C maka secara otomatis sistem akan mengaktifkan relay untuk menghidupkan kipas DC. Namun jika nilai suhu yang terbaca kurang dari 28⁰C, maka secara otomatis sistem akan mematikan relaydan kipas DC.Dengan adanya alat ini di harapkan dapat melakukan monitoring ruangan secara realtime suhu dan kelembaban pada ruang server sehingga mengurangi adanya kerusakan hardwere atau kerusakan yang lainnya.
Prediksi Cuaca Menggunakan Sensor Cahaya, Kecepatan Angin, dan Arah Angin dengan Metode Neuro-Fuzzy Billanivo, Reynaldi Rizki; Fajri, Ricky Maulana; Tasmi; Ferdiansyah
Journal Of Intelligent Networks and IoT Global Vol 3 No 2 (2025)
Publisher : Universitas Indo Global Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36982/jinig.v3i2.6592

Abstract

Prediksi cuaca merupakan elemen yang sangat penting dalam berbagai sektor, termasuk pertanian dan transportasi. Salah satu contohnya adalah membantu petani untuk menunda penanaman tanaman sebelum hujan deras terjadi. Penelitian ini menggunakan metode Neuro-Fuzzy yang dipadukan dengan tiga jenis sensor yakni sensor cahaya, sensor kecepatan angin, dan sensor arah angin, yang digunakan untuk peramalan meteorologi. Penelitian ini memanfaatkan dataset Misol dan dataset BMKG. Model Neuro-Fuzzy mencapai akurasi rata-rata sebesar 0,71, presisi 0,4075, recall 0,3185, dan skor F1 sebesar 0,337.
Desain dan Implementasi Prototipe Robot Pembersih Sampah di Sungai Berbasis Raspberry Pi 4 Model B Cahyadi, Hartanto Dwi; Fajri, Ricky Maulana; Setiawan, Candra; Akbar Deazwara, Muhammad Rizki
Journal Of Intelligent Networks and IoT Global Vol 3 No 2 (2025)
Publisher : Universitas Indo Global Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36982/jinig.v3i2.6653

Abstract

Sungai Musi menghadapi ancaman polusi plastik yang serius, yang merusak ekosistem dan memicu banjir akibat penyumbatan aliran air. Penelitian ini bertujuan untuk merancang prototipe robot pembersih sampah semi-otomatis menggunakan Raspberry Pi 4 Model B sebagai pusat kendali. Sistem ini mengintegrasikan visi komputer menggunakan algoritma YOLO (You Only Look Once) untuk deteksi sampah plastik secara real-time. Robot dirancang dengan struktur katamaran menggunakan material styrofoam dan triplek untuk stabilitas maksimal di atas air. Metodologi penelitian mencakup perancangan perangkat keras, pengembangan perangkat lunak berbasis Python, dan pengujian lapangan. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi botol plastik dengan tingkat kepercayaan hingga 87% pada jarak 100 cm, sementara pengujian jarak optimal untuk stabilitas deteksi berada pada rentang 30–90 cm. Meskipun terdapat kendala mekanis pada sinkronisasi motor, prototipe ini membuktikan efektivitas penggunaan Raspberry Pi dan AI dalam upaya pelestarian lingkungan sungai secara semi-otomatis.
An Empirical Study of Temporal Graph Neural Networks for Dynamic Node Forecasting Ricky Maulana Fajri; Tasmi Tasmi; Ni Wayan Pricila Yuni Praditya
Komputasi: Jurnal Ilmiah Ilmu Komputer dan Matematika Vol. 23 No. 1 (2026): Komputasi: Jurnal Ilmiah Ilmu Komputer dan Matematika.
Publisher : Program Studi Ilmu Komputer, Universitas Pakuan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33751/komputasi.v23i1.79

Abstract

Temporal graph modeling has become increasingly important for understanding and forecasting the dynamics of complex systems that evolve over time. One of the central challenges in temporal graph learning lies in identifying graph neural network (GNN) architectures that can effectively capture both spatial dependencies and temporal dynamics. This study presents a comprehensive benchmarking analysis of widely used GNN architectures, namely Graph Convolution Network (GCN), GraphSAGE, Graph Attention Network (GAT), Chebyshev Networks (ChebNet), and Simplified Graph Convolution Network (SGC), each integrated with recurrent mechanisms for temporal modeling. The evaluation is conducted on the WikiMaths dataset, a large-scale temporal graph dataset representing user visits of mathematics-related Wikipedia articles. Experimental results demonstrate that the choice of graph convolution operator significantly impacts temporal forecasting performance, with GraphSAGE and ChebNet consistently exhibiting superior performance compared to other architectures. This work provides empirical insights into the strengths and limitations of established temporal GNN models, contributing to a clearer understanding of their applicability in dynamic graph forecasting tasks.
Applying Few-Shot Learning with Graph Neural Network (GNNs) For Fraud Detection Ricky Maulana Fajri; Fery Antony; Rachmansyah
Journal of Embedded Systems, Security and Intelligent Systems Vol 6, No 2 (2025): June 2025
Publisher : Program Studi Teknik Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59562/jessi.v6i2.8319

Abstract

Detecting fraudulent transactions in financial systems presents a major challenge due to the scarcity of fraud instances and the limited availability of labeled data. This study explores the use of few-shot learning techniques combined with Graph Neural Networks (GNNs) to address these constraints. We evaluate four GNN architectures—Graph Convolutional Network (GCN), GraphSAGE, Graph Attention Network (GAT), and Simplified Graph Convolutional Network (SGCN)—on four real-world fraud detection datasets: Bank Fraud, IEEE-CIS, PaySIM, and ECommerce. Graph-based representations are constructed for each dataset, and models are trained using only 0%, 1%, 5%, and 10% of labeled data to simulate few-shot conditions. Experimental results show that GNNs, particularly GAT and GraphSAGE, maintain strong performance even with minimal supervision. Notably, GAT and GCN achieved an F1-score of 0.88 on the PaySIM dataset with just 10% labeled data, and GraphSAGE reached 0.25 on the highly imbalanced IEEE-CIS dataset. ROC curve analysis further demonstrates the discriminative capabilities of each model under different label settings. These findings highlight the potential of GNNs for effective fraud detection in low-resource and imbalanced environments, offering a practical solution for financial institutions aiming to enhance security with minimal labeled data.
Comparative Analysis of Graph Neural Networks for Fraud Detection Fajri, Ricky Maulana; Teary, Muhammad Gald; Praditya, Ni Wayan Pricila Yuni
Jurnal ELTIKOM : Jurnal Teknik Elektro, Teknologi Informasi dan Komputer Vol. 10 No. 1 (2026)
Publisher : P3M Politeknik Negeri Banjarmasin

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31961/93y6ve52

Abstract

Detecting financial fraud is a complex and evolving challenge, particularly because of the relational nature of transaction data, graph sparsity, and severe class imbalance. To the best of our knowledge, this study repre-sents one of the first systematic benchmarks of five prominent Graph Neural Network (GNN) architectures, GCN, GAT, GraphSAGE, GIN, and SGCN, for fraud detection under balanced and imbalanced conditions across multiple public datasets. We explicitly evaluate the impact of the Synthetic Minority Oversampling Technique (SMOTE) on graph-based fraud detection performance, an aspect that has rarely been addressed in prior research. The comparative analysis considers predictive performance (AUC, F1-Score, Precision, Re-call) and computational efficiency to provide actionable guidance for real-world development. The experimental results show that GraphSAGE offers the best trade-off between accuracy and execution time for laten-cy-sensitive environments, while GAT’s attention mechanism supports offline, interpretability-driven analysis. These findings provide empirical evidence to inform GNN selection strategies for scalable and effective fraud detection systems.
Co-Authors ,, Rachmansyah Aditya Pratama Akbar Deazwara, Muhammad Rizki Alvira, Dwi Okta Anggraini, Dea Antony, Fery Billanivo, Reynaldi Rizki Cahyadi, Hartanto Dwi Candra Setiawan Chatarina Umbul Wahyuni Desrika Heryati Ferdiansyah Fery Antony Hamim, Sumi Amariena Ni Wayan Pricila Yuni Praditya NI Wayan Priscila Yuni Praditya Nonik Wulantika Nurwijayanti Praditya, Ni Wayan Pricila Yuni Purnamasari, Evi Putra, Sony Dwi Putri, RA Martasya Rachmansyah Rachmansyah Sunardi, Hastha Tasmi Tasmi Tasmi Tasmi Teary, Muhammad Gald Vierisyah, Aldo Zulkifli