Article Per Year (5 Year)
p-Index From 2021 - 2026
5.258
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) TELKOMNIKA (Telecommunication Computing Electronics and Control) Bulletin of Electrical Engineering and Informatics Jurnal Informatika CommIT (Communication & Information Technology) Explore: Jurnal Sistem Informasi dan Telematika (Telekomunikasi, Multimedia dan Informatika) Telematika JUITA : Jurnal Informatika Seminar Nasional Informatika (SEMNASIF) POSITIF Annual Research Seminar JOIN (Jurnal Online Informatika) Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) International Journal of Artificial Intelligence Research Jurnal Ilmiah Matrik Jusikom : Jurnal Sistem Komputer Musirawas Jurnal Sisfokom (Sistem Informasi dan Komputer) Jurnal Teknologi Sistem Informasi dan Aplikasi Jurnal Ilmiah Media Sisfo J-SAKTI (Jurnal Sains Komputer dan Informatika) JURIKOM (Jurnal Riset Komputer) Jurnal Informatika Global Journal of Information Systems and Informatics Jurnal Teknologi Dan Sistem Informasi Bisnis Indonesian Journal of Electrical Engineering and Computer Science Jurnal Teknologi Informatika dan Komputer Jurnal Restikom : Riset Teknik Informatika dan Komputer Journal of Computer and Information Systems Ampera Jurnal Pengembangan Sistem Informasi dan Informatika Journal of Applied Computer Science and Technology (JACOST) Jurnal Nasional Pengabdian Masyarakat J-SAKTI (Jurnal Sains Komputer dan Informatika) International Journal Software Engineering and Computer Science (IJSECS) Jurnal Bina Komputer Indonesian Journal of Innovation Multidisipliner Research Ngabdimas Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) Jurnal Ilmiah Betrik : Besemah Teknologi Informasi dan Komputer Indonesian Journal of Innovation Multidisipliner Research Journal of Computer Science and Technology Application
Yesi Novaria Kunang
Universitas Bina Darma
Religion Agriculture, Biological Sciences & Forestry Humanities Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Social Sciences Other

Published : 56 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Telematika

 1 
Implementasi Data Mining Menggunakan Algoritme Naive Bayes Classifier dan C4.5 untuk Memprediksi Kelulusan Mahasiswa Endang Etriyanti; Dedy Syamsuar; Yesi Novaria Kunang
Telematika Vol 13, No 1: Februari (2020)
Publisher : Universitas Amikom Purwokerto

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35671/telematika.v13i1.881

Abstract

Abstract: The inability of students to complete their studies on time is faced by most of higher education institution. STMIK Bina Nusantara Jaya Lubuklinggau is one of those which is experienced with this matter. In most cases, the students could complete their studies longer than the expected duration. From 162 students of Sistem Informasi study program in the year 2013 and 2014 there were 117 students completed their studies on time, while 45 students were late. As a result, it could prevent new students to join the instituion since the limited student capacity. This study deploys data mining technique in predicting graduation status of students on time. First, preprocessing is used to obtain a good dataset. Secondly, the data is processed to obtain a set of prediction. In this step, two mining algoritm were applied – Naive bayes classifier and C4.5 algoritm to be knowing the performance of the two methods, the method has a greater accuracy value will be recommended to solving the problem of prediction of students graduation at STMIK Bina Nusantara Jaya Lubuklinggau. Thirdly, the result then was validated using K-Fold Cross Validation technique. Finally, Coffusion Matrix is deployed to ensure the accuration of the prediction. The results indicates that the C4.5 Algorithm method can be used to predict student graduation status with an accuracy rate of 79,08% while the accuracy rate of the Naive Bayes Classifier method is only 78,46%. The dominan factor is IPK-S4 variable.Abstrak: Ketidakmampuan mahasiswa untuk menyelesaikan studi tepat waktu dialami oleh sebagian besar Lembaga Pendidikan Tinggi. STMIK Bina Nusantara Jaya Lubuklinggau adalah salah satu perguruan tinggi yang mengalami hal tersebut. Dalam banyak kasus para mahasiswa menyelesaikan studi mereka lebih lama dari rentang waktu yang diharapkan. Dari 162 mahasiswa program studi Sistem Informasi tahun angkatan 2013 dan 2014 terdapat 117 mahasiswa yang menyelesakan studinya tepat waktu, sedangkan 45 mahasiswa terlambat. Akibatnya hal tersebut dapat menghambat mahasiswa baru untuk bergabung dengan lembaga karena kapasitas mahasiswa yang terbatas. Penelitian ini menggunakan teknik data mining dalam memprediksi status kelulusan mahasiswa tepat waktu. Pertama, preprocessing digunakan untuk mendapatkan dataset yang berkualitas. Kedua, data diproses untuk mendapatkan serangkaian prediksi. Pada langkah ini, dua algoritma data mining diterapkan - Naive Bayes Classifier dan Algoritma C4.5 dengan tujuan untuk mengetahui kinerja dari kedua metode, metode dengan tingkat akurasi yang lebih besar akan direkomendasikan untuk menyelesaikan masalah prediksi kelulusan mahasiswa pada STMIK Bina Nusantara Jaya Lubuklinggau. Ketiga, hasilnya kemudian divalidasi menggunakan teknik K-Fold Cross Validation. Terakhir, Coffusion Matrix digunakan untuk memvalidasi nilai akurasi hasil prediksi. Hasil penelitian menunjukkan bahwa metode Algoritma C4. dapat digunakan untuk memprediksi status kelulusan mahasiswa dengan tingkat akurasi 79,08% sedangkan metode  Naive Bayes Classifier hanya 78,46%. Dengan faktor dominan adalah variabel IPK-S4.
Penerapan Naive Bayes Pada Detection Malware dengan Diskritisasi Variabel Inda Anggraini; Yesi Novaria Kunang; Firdaus Firdaus
Telematika Vol 13, No 1: Februari (2020)
Publisher : Universitas Amikom Purwokerto

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35671/telematika.v13i1.886

Abstract

Abstract: Malicious software (malware) is rogue software specifically designed to carry out malicious or destructive software activities on computers such as viruses, Trojans, and others that are spread through the internet network. The number of activities that spread malware that occurs through the internet network makes many users uneasy one form of the attack is to insert malicious or malicious files into the computer. For example, such as web shell scripting script that is inserted into the internet service provider computer. This study aims to analyze malware attacks using the Naïve Bayes Clasiffier Algorithm with the discretization of 3-interval and 5-interval Min-Max variables for continuous attributes. Discretization (discretion) attribute is a technique for changing a function or continuous value into a discrete form. This technique is done as an adjustment to the possibility of the emergence of continuous values in a very small dataset feature. Discretization of variables is done in a dataset of type continuous, so that the probability value indicates the possibility of the same value coming out of a class. Using the Naive Bayes algorithm is expected to help facilitate users in finding the right method for detecting attacks from malware. The experimental results show that the application of Naïve Bayes in the classification of data that has not gone through the discretion stage produces an accuracy of 69.72% with prediction of malware 63.53 % while the data that has passed the discretization stage is able to provide accuracy of up to 79.97 % with 81.29 % malware prediction. The use of the Naïve Bayes by binning method in this study has an increased detection ability compared to the classification process without using the binning process (discretization). The discretion process can make the Naïve Bayes algorithm more accurate in detecting malware.Abstrak: Malicious software (malware) adalah software jahat yang dirancang khusus untuk melakukan aktifitas berbahaya atau perusak perangkat lunak pada komputer seperti virus, Trojan, dan lain-lain yang disebar melalui jaringan internet. Banyaknya aktifitas penyebaran malware yang terjadi melalui jaringan internet membuat banyak pengguna menjadi resah salah satu bentuk dari serangan tersebut yaitu dengan melakukan penyisipan file-file berbahaya atau malicious ke komputer. Contohnya seperti penyisispan skrip web shell yang di sisipkan ke komputer penyedia layanan  internet. Penelitian ini bertujuan untuk melakukan analisa terhadap serangan malware dengan menggunakan Algoritme Naïve Bayes Clasiffier dengan diskritisasi variabel Min-Max diskritisasi 3-interval dan 5-interval untuk atribut kontinu. Discretization (pendiskritan) atribut merupakan teknik untuk merubah sebuah fungsi atau nilai kontinu kedalam bentuk diskrit. Teknik ini dilakukan sebagai penyesuaian terhadap kemungkinan kemunculan nilai kontinu dalam fitur dataset yang sangat kecil. Pendiskritisasian variabel dilakukan pada dataset yang bertipe kontinu, sehingga nilai probabilitas menunjukan kemungkinan nilai yang sama keluar  pada suatu kelas. Dengan menggunakan Algoritme naive bayes ini diharapkan dapat membantu mempermudah pengguna dalam menemukan metode yang tepat untuk mendeteksi serangan dari malware.. Hasil percobaan menunjukan bahwa penerapan naïve bayes pada klasifikasi data yang belum melalui tahap pendiskritan menghasilkan tingkat akurasi sebesar 69.72 % dengan prediksi malware 63.53 % sedangkan pada data yang telah melewati tahap diskritisasi mampu memberikan akurasi hingga 79.97 % dengan prediksi malware 81.29 %. Penggunaan metode Naïve Bayes dalam penelitian ini memiliki kemampuan deteksi yang meningkat dibandingkan dengan proses klasifikasi tanpa menggunakan proses binning (diskritisasi). Proses pendiskritan dapat menjadikan Algoritme Naïve Bayes menjadi lebih akurat di dalam mendeteksi malware.
Co-Authors Adam Prasetya Afiyudi, Afiyudi Afriyudi Agus Setiawan Agus Setiawan Ahmad Zarkasi Andika, Muhamad Andri Andri Anggie Khristian Ariandi, Muhamad Arief Algiffary Armansyah, Risky Atmojo, Toni Tri Beni Brahara Bhakti Yudho Suprapto Damayanti, Nita Rosa Darmawahyuni, Annisa Dedy Syamsuar Dedy Syamsuar Deris Stiawan Dinata, Aria Dzakwan, Fadhlur Rahman Edi Surya Negara Egy Septian Eka Puji Agustini Endang Etriyanti Fajarino, Aldo Ferdiansyah Ferdiansyah Fernandy Jupiter Fikri, M Finaldo, Muhammad Firdaus Firdaus Firdaus Gllen yusuf abbel Hamanrora, Muhammad Dio Hellen Puspita Sari Hendra Marta Yudha Herdiansyah, Izman Herdiansyah, M. Izman Herdiansyah, M. Izman Herferry, Ibrahim Ade Ilman Zuhri Yadi Ilman Zuhriyadi Inda Anggraini Irwansyah Ibrahim Kurniawan Kurniawan Kurniawan, Tri Basuki Lang Dimas Perkasa Leon Andretti Abdillah Liza Fahreni M Izman Herdiansyah Mahmud Mahmud Mahmud Mahmud Maria, Fitri Muhammad Fachrurrozi Muhammad Hatta Muhammad Izman Herdiansyah Muhammad Naufal Rachmatullah Netti Herawati Novi Yusliani Novifika, Seva Parker, Jonathan Permatasari, Susan Dian Prasetya, M. Iqbal Pratiwi, Ayu Okta Prilsafira, Tania Putra, Muhammad Hatta Ramadhan, Dwi Nur Ramadhona, Nuzulur Rianda, M. Rianda Rio Ananda Fitriansyah Sapitri, Wulan Sari, Tia Permata Siti Nurmaini Sri Murniati Suryayusra - Susan Dian Purnamasari, Susan Dian Taqrim Ibadi Tata Sutabri Toriko, Liu Tri Basuki Kurniawan Usman Ependi Via Sukma Cendanie Widya Cholil Widya Putri Mentari Winoto Chandra Wulandari, Intan Fitriana Yanti Pasmawati Yayuk Ike Meilani Yudi, Endang Darmawan Yustida Bellini Ziqrullah, Muhammad Hafiz Zulkifli Harahap Zulkifli Harahap