Article Per Year (5 Year)
p-Index From 2021 - 2026
2.986
P-Index
This Author published in this journals
All Journal Syntax Jurnal Informatika Bina Insani ICT Journal Jurnal Mantik Penusa Jurnal Nasional Komputasi dan Teknologi Informasi IJISTECH (International Journal Of Information System & Technology) Jurnal Riset Informatika JISICOM (Journal of Information System, Infomatics and Computing) Journal of Information System, Applied, Management, Accounting and Research IJISTECH J-SAKTI (Jurnal Sains Komputer dan Informatika) Digital Transformation Technology (Digitech) Golden Ratio of Data in Summary Innovative: Journal Of Social Science Research Jurnal Multidisiplin Sahombu Media Teknologi dan Informatika
Martua Hami Siregar
Universitas Bina Sarana Informatika
Aerospace Engineering Arts Humanities Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Energy Engineering Environmental Science Law, Crime, Criminology & Criminal Justice Library & Information Science Neuroscience Public Health Social Sciences Transportation Other

Published : 24 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 24 Documents
Search

 1   2   3 
Penerapan Algoritma Machine Learning Untuk Deteksi Akses Tidak Sah Pada SIAKAD IAI Al-Ghurabaa Wahyudi Wahyudi; Mohammad Noviansyah; Hafdiarsya Saiyar; Martua Hami Siregar; Desmulyati Desmulyati

Publisher :

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v8i6.10021

Abstract

Abstrak: Sistem Informasi Akademik (SIAKAD) merupakan komponen vital dalam pengelolaan data akademik di perguruan tinggi, termasuk Institut Agama Islam Al-Ghurabaa. Akses tidak sah terhadap sistem ini dapat menyebabkan kebocoran data, perubahan nilai, dan gangguan integritas informasi akademik. Penelitian ini bertujuan untuk mengembangkan model deteksi dini terhadap aktivitas akses tidak sah menggunakan algoritma machine learning.Metode penelitian meliputi pengumpulan dan pra-pemrosesan data log akses SIAKAD, ekstraksi fitur perilaku pengguna (frekuensi login, waktu akses, IP address, dan pola aktivitas), serta pelatihan model klasifikasi menggunakan algoritma Random Forest dan Support Vector Machine (SVM). Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score.Hasil pengujian menunjukkan bahwa algoritma Random Forest menghasilkan tingkat akurasi tertinggi sebesar 97,3%, dengan kemampuan deteksi anomali akses yang lebih baik dibanding SVM (93,8%). Model yang diusulkan mampu mendeteksi aktivitas login mencurigakan secara real-time, sehingga dapat menjadi lapisan keamanan tambahan untuk SIAKAD IAI Al-Ghurabaa. Penerapan machine learning dalam keamanan aplikasi akademik terbukti efektif dalam meningkatkan ketahanan sistem terhadap serangan berbasis autentikasi dan penyalahgunaan akun penggunaKata kunci: SIAKAD; keamanan data; deteksi anomali; machine learning; Random Forest; SVM; Abstract: The Academic Information System (SIAKAD) is a vital component of academic data management in higher education institutions, including Institut Agama Islam Al-Ghurabaa. Unauthorized access to this system can lead to data breaches, grade manipulation, and loss of information integrity. This research aims to develop an early detection model for unauthorized access using machine learning algorithms. The methodology includes collecting and preprocessing SIAKAD access log data, extracting behavioral features (login frequency, access time, IP address, and activity patterns), and training classification models using Random Forest and Support Vector Machine (SVM) algorithms. Evaluation metrics used are accuracy, precision, recall, and F1-score. Experimental results show that the Random Forest algorithm achieved the highest accuracy of 97.3%, outperforming SVM (93.8%) in detecting anomalous access attempts. The proposed model can identify suspicious login activities in real-time, providing an additional security layer for SIAKAD IAI Al-Ghurabaa. The study demonstrates that machine learning-based intrusion detection is effective in enhancing system resilience against authentication-based attacks and user account misuse.Keywords: SIAKAD; data security; anomaly detection; machine learning; Random Forest; SVM;
Analisis Tingkat Kesadaran Pengguna E-Commerce Terhadap Keamanan Dan Privasi Data Pribadi Menggunakan Algoritma C4.5 Zufar, Hammam; Amelia, Nabila; Setiawan, Leonny; Syahramdan, Syahramdan; Maisyaroh, Maisyaroh; Siregar, Martua Hami
Bahasa Indonesia Vol 12 No 2 (2025): Bina Insani ICT Journal (Desember) 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat Universitas Bina Insani

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51211/biict.v12i2.3763

Abstract

Perkembangan teknologi digital dan meningkatnya penggunaan e-commerce mendorong masyarakat untuk semakin banyak membagikan data pribadi secara online. Kondisi ini menimbulkan risiko terhadap keamanan informasi dan privasi pengguna. Penelitian ini bertujuan untuk menganalisis tingkat kesadaran pengguna e-commerce dalam menjaga keamanan serta privasi data pribadi mereka. Pengumpulan data dilakukan melalui penyebaran kuesioner kepada pengguna e-commerce. Data yang diperoleh kemudian diolah menggunakan algoritma C4.5 untuk membangun model klasifikasi dan mengidentifikasi faktor-faktor utama yang memengaruhi kesadaran tersebut. Hasil pemrosesan data menunjukkan bahwa sebagian besar pengguna memiliki tingkat kesadaran yang cukup baik terkait tindakan dasar perlindungan data pribadi, namun masih ditemukan perilaku yang berpotensi meningkatkan risiko kebocoran informasi. Model pohon keputusan yang dihasilkan mampu memetakan variabel penentu tingkat kesadaran dengan tingkat akurasi sebesar 75%. Temuan ini menunjukkan pentingnya peningkatan edukasi dan literasi digital agar pengguna dapat lebih memahami ancaman keamanan dan menerapkan langkah-langkah perlindungan data dengan lebih optimal. Penelitian ini diharapkan dapat berkontribusi dalam mendukung terciptanya lingkungan digital yang lebih aman dan terpercaya.
ANALYSIS OF FACTOR AFFECTING THE INTEREST OF USING ELECTRONIC MONEY WITH TAM METHOD Martua Hami Siregar
Jurnal Riset Informatika Vol. 3 No. 1 (2020): December 2020 Edition
Publisher : Kresnamedia Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34288/jri.v3i1.41

Abstract

The development of electronic money is currently growing very rapidly. This is marked by the rise of merchants who provide promos and ease of use of electronic money. To find out the perception of public interest in the use of electronic money, further research is needed using the Technology Acceptance Model (TAM) Method. TAM is a technology acceptance model that can be used to determine a person's perceptions of attitudes and behavior when using certain technologies. The results showed that the use of electronic money can be accepted by the public as a legal means of payment. There is a positive and significant effect of Perceived Usefulness on Attitude Towards Using, There is a positive and significant influence of Perceived Usefulness on Intention to Use, There is a positive and significant influence on Attitude Towards Using on Intention to Use and There is a positive and significant influence on Intention to Use on Actual Usage.
Analisis Sentimen Ulasan Aplikasi MyRepublic di Google Play Store Menggunakan Algoritma Support Vector Machine (SVM) Pernando, Leo; Maisyaroh, Maisyaroh; Siregar, Martua Hami
Bahasa Indonesia Vol 13 No 1 (2026): Bina Insani ICT Journal (Juni) 2026
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat Universitas Bina Insani

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51211/biict.v13i1.3982

Abstract

Perkembangan teknologi mendorong penyedia layanan internet seperti MyRepublic untuk terus mengevaluasi layanannya melalui ulasan pengguna di Google Play Store. Namun, ribuan ulasan yang tidak terstruktur dan didominasi oleh keluhan pelanggan menyulitkan pihak pengembang untuk melakukan analisis secara manual dan efisien. Penelitian ini bertujuan untuk menerapkan teknik Text Mining menggunakan algoritma Support Vector Machine (SVM) guna mengklasifikasikan sentimen pengguna ke dalam kategori positif dan negatif secara otomatis sebagai bahan referensi evaluasi layanan. Metodologi yang digunakan mengacu pada kerangka kerja Knowledge Discovery in Database (KDD) yang meliputi ekstraksi 1.000 data ulasan, preprocessing, pelabelan hybrid menggunakan InSet Lexicon dan validasi manual, transformasi data dengan TF-IDF, serta pemodelan SVM Linear Kernel dengan rasio pembagian data latih dan data uji sebesar 80:20. Hasil pengujian Confusion Matrix menunjukkan bahwa model algoritma SVM mencapai tingkat akurasi sebesar 94,50%. Namun, tingginya angka akurasi ini dipengaruhi oleh ketidakseimbangan data (data imbalance) yang ekstrem dengan proporsi 94% kelas negatif. Hal ini dibuktikan dari evaluasi metrik yang menunjukkan tingkat Recall kelas negatif mencapai 100%, sementara kelas positif hanya sebesar 8,33%. Dengan demikian, model ini memiliki sensitivitas yang sangat tinggi dalam mendeteksi mayoritas keluhan pelanggan secara presisi, namun belum dapat diklaim handal secara keseluruhan karena masih kesulitan dalam mengklasifikasikan sentimen positif akibat ketimpangan data pelatihannya.
Co-Authors A Apriyanto AA Sudharmawan, AA Amelia, Nabila Apriyanto, A D. Desmulyati Desmulyati, D. Desmulyati, Desmulyati Embun Fajar Wati Enok Tuti Alawiah Euis Widanengsih Fajar Agustini Fauzan, Naufal Gunawan, Muhammad Fahri Hafdiarsya Saiyar Hafdiarsya Saiyar, Hafdiarsya Henny Destiana Ishak Komarudin Maisyaroh Maisyaroh Maysaroh Maysaroh Mohammad Noviansyah Nur Indah Kurniawati Pernando, Leo Setiawan, Leonny Shendyko Wicaksono Syahramdan, Syahramdan Wahyudi Wahyudi Zufar, Hammam