Article Per Year (5 Year)
p-Index From 2020 - 2025
5.123
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Komputer dan Informasi Jurnal F. Teknik : RESULTAN Paradigma : Journal of Science, Religion and Culture Studies TELKOMNIKA (Telecommunication Computing Electronics and Control) PIKSEL : Penelitian Ilmu Komputer Sistem Embedded and Logic JREC (Journal of Electrical and Electronics) Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Cakrawala : Jurnal Humaniora Bina Sarana Informatika Bina Insani ICT Journal Informatics for Educators and Professional : Journal of Informatics Information Management For Educators And Professionals (IMBI) BENTANG : Jurnal Teoritis dan Terapan Bidang Rekayasa Sipil Jurnal Komtika (Komputasi dan Informatika) Jurnal Kajian Ilmiah Jurnal ABDIMAS (Pengabdian kepada Masyarakat) UBJ Jurnal Sains Teknologi dalam Pemberdayaan Masyarakat DEVOSI Journal of Students‘ Research in Computer Science (JSRCS) Journal of Computer Science Contributions (Jucosco)
Rahmadya Trias Handayanto
Program Studi Teknik Komputer Fakultas Teknik, Universitas Islam 45
Religion Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Social Sciences Transportation Other

Published : 55 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 8 Documents
Search
Journal : Jurnal Kajian Ilmiah

 1 
Prediksi Kelas Jamak dengan Deep Learning Berbasis Graphics Processing Units Handayanto, Rahmadya Trias; Herlawati, Herlawati
Jurnal Kajian Ilmiah Vol. 20 No. 1 (2020): Januari 2020
Publisher : Lembaga Penelitian, Pengabdian Kepada Masyarakat dan Publikasi (LPPMP)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (569.762 KB) | DOI: 10.31599/jki.v20i1.71

Abstract

For the first time, machine learning did the classical classification process using two classes (bi-class) such as class -1 and class +1, 0 and 1, or the form of categories such as true and false. Famous methods used are Artificial Neural Networks (ANN) and Support Vector Machine (SVM). The current development was a problem with more than two classes, known as multi-class classes. For SVM sometimes the plural classes are overcome by doing a gradual process like a decision tree (DT) method. Meanwhile, ANN has experienced rapid development and is currently being developed with a large number of layers with the new activation functions, i.e. the rectified linear units (ReLu), and the probabilistic-based activation, i.e. softmax, including its optimizer methods (adam, sgd, and others). Then the term changed to Deep Learning (DL). This study aimed to compare two well-known methods (DL and SVM) in classifying multiple classes. The number of DL layers was six with the neuron composition are 128, 64, 32, 8, 4, and 3, while SVM uses a radial kernel base function with gamma and c respectively 0.7 and 5. Besides, this study intends to compare the use of the Graphics Processing Unit (GPU) available on Google Interactive Notebook (Google Colab), an online Python language programming application. The results showed that DL accuracy outperformed SVM but required large computational resources, with the accuracy for DL and SVM are 99% and 98%, respectively. However, the use of the GPU can overcome these problems and is proven to increase the speed of the process as much as 47 times. Keywords: Artificial Neural Networks, Graphics Processing Unit, Google Interactive Notebook, Rectified Linear units, Support Vector Machine. Abstrak Di awal perkembangannya mesin pembelajaran melakukan proses klasikfikasi menggunakan dua kelas (bi-class) misalnya kelas -1 dan kelas +1, 0 dan 1, atau bentuk kategori seperti benar dan salah. Metode terkenal yang digunakan adalah Jaringan Syaraf Tiruan (JST) dan Support Vector Machine (SVM). Perkembangan selanjutnya adalah problem dengan kelas yang lebih dari dua kelas, dikenal dengan istilah kelas jamak (multi-class). Untuk SVM terkadang kelas jamak diatasi dengan melakukan proses berjenjang mirip pohon keputusan (decision tree). Sementara itu JST telah mengalami perkembangan yang pesat dan saat ini sudah dikembangkan dengan jumlah layer yang banyak disertai dengan fungsi-fungsi aktivasi terkini seperti rectified linear unit (ReLu), dan softmax yang berbasis probabilistik, termasuk juga metode-metode optimizernya (adam, sgd, dan lain-lain). Kemudian istilahnya berubah menjadi Deep Learning (DL). Penelitian ini mencoba membandingkan dua metode terkenal (DL dan SVM) dalam melakukan klasifikasi kelas jamak. Jumlah layer DL sebanyak enam dengan masing-masing neuron sebesar 128, 64, 32, 8, 4, dan 3, sementara SVM menggunakan kernel radial basis function dengan gamma dan c berturut-turut 0.7 dan 5. Selain itu penelitian ini bermaksud membandingkan penggunaan Graphics Processing Unit (GPU) yang tersedia di Google Interactive Notebook (Google Colab), sebuah aplikasi online pemrograman bahasa Python. Hasil penelitian menunjukan akurasi DL unggul tipis dibanding SVM namun memerlukan sumber daya komputasi yang besar masing-masing dengan akurasi 99% dan 98%. Namun penggunaan GPU mampu mengatasi permasalahan tersebut dan terbukti meningkatkan kecepatan proses sebanyak 47 kali. Kata kunci: Jaringan Syaraf Tiruan, Graphics Processing Unit, Google Interactive Notebook, Rectified Linear units, Support Vector Machine.
Penggunaan Matlab dan Python dalam Klasterisasi Data Herlawati , Herlawati; Handayanto , Rahmadya Trias
Jurnal Kajian Ilmiah Vol. 20 No. 1 (2020): Januari 2020
Publisher : Lembaga Penelitian, Pengabdian Kepada Masyarakat dan Publikasi (LPPMP)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (550.65 KB) | DOI: 10.31599/jki.v20i1.85

Abstract

Abstract Organizations need to dig through the data clustering process, both past data and data from the internet. Sometimes the data has to be re-clustered to match the actual conditions. Therefore, it is necessary to prepare clustering support equipment. In this study the K-Means method was chosen for comparing two technical computational languages, i.e. Matlab and Python which are currently in great demand by researchers and can be used by organizations for a clustering process. This study showed both Matlab and Python have enough libraries (libraries) and toolboxes to help users in data clastering as well as graphics presentation. The test results show that the two programming languages are capable of carrying out the clustering process with two clusters; cluster 1 with a center point at coordinates (1.24, 1.34) and cluster 2 with a center point at coordinates (3.1, 3.07) and are presented by a cluster distribution plot. Keywords: Clusterization, K-Means, Matlab, Python. Abstrak Organisasi perlu menggali data lewat proses klasterisasi data, baik data lampau maupun data dari internet. Terkadang data harus dilakukan klasterisasi ulang untuk mencocokan dengan kondisi yang sebenarnya. Oleh karena itu perlu dipersiapkan peralatan pendukung klasterisasi. Dalam penelitian ini metode K-Means dipilih untuk membandingkan dua bahasa komputasi teknis yaitu Matlab dan Python yang sekarang ini banyak diminati para peneliti yang dan dapat digunakan oleh organisasi yang membutuhkan proses klasterisasi. Hasil dari penelitian ini menunjukan baik Matlab maupun Python memiliki cukup pustaka (library) dan toolbox dalam membantu pengguna mengklasterisasi data, mempresentasikan grafik. Hasil pengujian menunjukan kedua Bahasa pemrograman mampu menjalankan proses klasterisasi berupa klaster 1 yang memiliki titik pusat yang berada pada koordinat (1.24, 1.34) dan klaster 2 dengan titik pusat yang berada pada koordinat (3.1, 3.07) disertai dengan plot sebaran klasternya. Kata kunci: Klasterisasi, K-Means, Matlab, Python.
Efektifitas Pembatasan Sosial Berskala Besar (PSBB) di Kota Bekasi Dalam Mengatasi COVID-19 dengan Model Susceptible-Infected-Recovered (SIR) Handayanto, Rahmadya Trias; Herlawati, Herlawati
Jurnal Kajian Ilmiah Vol. 20 No. 2 (2020): Mei 2020
Publisher : Lembaga Penelitian, Pengabdian Kepada Masyarakat dan Publikasi (LPPMP)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (434 KB) | DOI: 10.31599/jki.v20i2.119

Abstract

To overcome the COVID-19 outbreak, the government did not carry out the lockdown policy (regional quarantine policy) but implemented the Large-Scale Social Restrictions (PSBB) policy. Starting from the capital city of Jakarta, this policy was followed by other regions. Bekasi City as a buffer zone of Jakarta immediately implemented the PSBB policy since this area is close to Jakarta and is feared to be affected by the Jakarta region which is a red zone with almost half of Indonesian COVID-19 cases are in the Jakarta area. Many people do not agree with the PSBB, but in order to keep the economic growth as well as to overcome the outbreak, the government does not adopt a regional quarantine policy. To determine the effectiveness of PSBB in the city of Bekasi, this study tried to use the Susceptible-Infected-Recovered (SIR) model to measure the spread rate of COVID-19. The results showed a decrease in the number of infected cases with beta and gamma were 0.071 and 0.05, respectively, and the epidemic was predicted to end in June 2020. Keywords: coronavirus, epidemic, pandemic, regional quarantine policy, Bekasi City Abstrak Dalam mengatasi wabah COVID-19, pemerintah tidak melakukan karantina wilayah (lock down) tetapi menggunakan kebijakan Pembatasan Sosial Berskala Besar (PSBB). Dimulai dari ibukota Jakarta, kebijakan ini diikuti oleh wilayah lainnya. Kota Bekasi sebagai wilayah penyangga Jakarta segera menerapkan kebijakan PSBB mengingat wilayah ini berdekatan dengan Jakarta dan dikhawatirkan terpengaruh dengan kota Jakarta yang merupakan zona merah dengan hampir separuh kasus COVID-19 ada di wilayah Jakarta. Banyak pihak yang mendukung dan juga kurang setuju dengan PSBB, namun agar perekonomian tetap berjalan dan wabah dapat diatasi, pemerintah tidak mengambil kebijakan karantina wilayah. Untuk mengetahui efektifitas PSBB di kota Bekasi, penelitian ini mencoba menggunakan model Susceptible-Infected-Recoverd (SIR) untuk mengukur laju penyebaran COVID-19. Hasilnya menunjukan adanya laju penurunan kasus terinfeksi dengan beta dan gamma beruturut-turut sebesar 0,071 dan 0,05 dan diprediksi akan berakhir di bulan Juni 2020. Kata kunci: virus corona, epidemik, pandemik, karantina wilayah, Bekasi City
Jaringan Komputer Melalui Kabel Listrik PLN Menggunakan Power Line Communication (PLC) Pada CV Sekarjaya Komputindo Sani, Ahmad Liyas; Handayanto, Rahmadya Trias; Irwan, Dadan
Jurnal Kajian Ilmiah Vol. 20 No. 2 (2020): Mei 2020
Publisher : Lembaga Penelitian, Pengabdian Kepada Masyarakat dan Publikasi (LPPMP)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (766.622 KB) | DOI: 10.31599/jki.v20i2.169

Abstract

Abstract Internet network service providers, CV. Sekarjaya Computindo, currently still uses UTP cables in communication in its office area. If an employee starts working in an office room, he/she must add a UTP cable connected to the switch to get internet access. This study proposes a Power Line Communication (PLC) network for accessing the internet network because there is no need to add a UTP cable to connect between computers and only through an electric current the computers can be connected to each other. Basically, Power Line can replace the role of UTP cables in data transmission, and in terms of network installation, network maintenance, and network maintenance, PLC is much easier compared to UTP. In addition, this study also compared the speed between UTP cables and Power Lines that use PLN electricity. The results of this study indicated that Power Line testing between computers was quite good, with download speeds of 94.4 Mbps, compared to UTP cables of 94.6 Mbps. As for uploading, using a PLC had a speed of 95.4 Mbps, while with a UTP cable had a speed of 94.5 Mbps. For transfer rates with a data size of 600 Mb using PLC, 6Mbps was obtained, whereas if using UTP, it was obtained 10Mbps. Between the use of PLC with UTP cable, there is not too much difference in speed, but PLC makes maintenance and installation easier. Keywords: power line communication, mikrotik, electricity, computer network, speed test. Abstrak Penyedia layanan jaringan internet yaitu CV. Sekarjaya Computindo saat ini masih menggunakan kabel UTP dalam menghubungkan antar komputer di dalam area kantornya. Apabila karyawan akan bekerja di suatu ruangan harus menambahkan kabel UTP yang tersambung ke switch untuk mendapatkan akses internet. Penelitian ini mengusulkan agar di bangun jaringan Power Line Comunication (PLC) yang nantinya memudahkan pengaksesan jaringan internet karena tidak perlu menambah kabel UTP untuk menghubungkan antar komputer dan cukup hanya dengan perangkat PLC melalui arus listrik maka komputer sudah dapat saling terhubung. Pada dasarnya Power Line dapat menggantikan peranan kabel UTP dalam transmisi data dan dari segi instalasi jaringan, perawatan jaringan dan perawatan jaringan jauh lebih mudah di banding dengan UTP. Selain mengusulkan jaringan PLC, pada penelitian ini juga dibandingkan kecepatan antara kabel UTP dan Power Line yang menggunakan arus listrik PLN. Hasil penelitian ini menunjukan pengujian Power Line antar komputer cukup baik, dengan kecepatan download sebesar 94, 4 Mbps, dibandingkan dengan kabel UTP sebesar 94, 6 Mbps. Sedangkan untuk upload, menggunakan PLC memiliki kecepatan 95, 4 Mbps, Sementara dengan kabel UTP sebesar 94, 5 Mbps. Untuk kecepatan transfer dengan data berukuran 600 Mb menggunakan PLC diperoleh 6 Mbps, sementara jika menggunakan UTP diperoleh 10 Mbps. Antara penggunaan PLC dengan kabel UTP tidak terlalu jauh perbedaan kecepatannya, tetapi PLC mempermudah perawatan dan instalasi. Kata kunci: power line communication, mikrotik, listrik, jaringan komputer, speed test.
Prediksi Kelas Jamak dengan Deep Learning Berbasis Graphics Processing Units Rahmadya Trias Handayanto; Herlawati Herlawati
Jurnal Kajian Ilmiah Vol. 20 No. 1 (2020): Januari 2020
Publisher : Lembaga Penelitian, Pengabdian Kepada Masyarakat dan Publikasi (LPPMP)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (569.762 KB) | DOI: 10.31599/jki.v20i1.71

Abstract

For the first time, machine learning did the classical classification process using two classes (bi-class) such as class -1 and class +1, 0 and 1, or the form of categories such as true and false. Famous methods used are Artificial Neural Networks (ANN) and Support Vector Machine (SVM). The current development was a problem with more than two classes, known as multi-class classes. For SVM sometimes the plural classes are overcome by doing a gradual process like a decision tree (DT) method. Meanwhile, ANN has experienced rapid development and is currently being developed with a large number of layers with the new activation functions, i.e. the rectified linear units (ReLu), and the probabilistic-based activation, i.e. softmax, including its optimizer methods (adam, sgd, and others). Then the term changed to Deep Learning (DL). This study aimed to compare two well-known methods (DL and SVM) in classifying multiple classes. The number of DL layers was six with the neuron composition are 128, 64, 32, 8, 4, and 3, while SVM uses a radial kernel base function with gamma and c respectively 0.7 and 5. Besides, this study intends to compare the use of the Graphics Processing Unit (GPU) available on Google Interactive Notebook (Google Colab), an online Python language programming application. The results showed that DL accuracy outperformed SVM but required large computational resources, with the accuracy for DL and SVM are 99% and 98%, respectively. However, the use of the GPU can overcome these problems and is proven to increase the speed of the process as much as 47 times. Keywords: Artificial Neural Networks, Graphics Processing Unit, Google Interactive Notebook, Rectified Linear units, Support Vector Machine. Abstrak Di awal perkembangannya mesin pembelajaran melakukan proses klasikfikasi menggunakan dua kelas (bi-class) misalnya kelas -1 dan kelas +1, 0 dan 1, atau bentuk kategori seperti benar dan salah. Metode terkenal yang digunakan adalah Jaringan Syaraf Tiruan (JST) dan Support Vector Machine (SVM). Perkembangan selanjutnya adalah problem dengan kelas yang lebih dari dua kelas, dikenal dengan istilah kelas jamak (multi-class). Untuk SVM terkadang kelas jamak diatasi dengan melakukan proses berjenjang mirip pohon keputusan (decision tree). Sementara itu JST telah mengalami perkembangan yang pesat dan saat ini sudah dikembangkan dengan jumlah layer yang banyak disertai dengan fungsi-fungsi aktivasi terkini seperti rectified linear unit (ReLu), dan softmax yang berbasis probabilistik, termasuk juga metode-metode optimizernya (adam, sgd, dan lain-lain). Kemudian istilahnya berubah menjadi Deep Learning (DL). Penelitian ini mencoba membandingkan dua metode terkenal (DL dan SVM) dalam melakukan klasifikasi kelas jamak. Jumlah layer DL sebanyak enam dengan masing-masing neuron sebesar 128, 64, 32, 8, 4, dan 3, sementara SVM menggunakan kernel radial basis function dengan gamma dan c berturut-turut 0.7 dan 5. Selain itu penelitian ini bermaksud membandingkan penggunaan Graphics Processing Unit (GPU) yang tersedia di Google Interactive Notebook (Google Colab), sebuah aplikasi online pemrograman bahasa Python. Hasil penelitian menunjukan akurasi DL unggul tipis dibanding SVM namun memerlukan sumber daya komputasi yang besar masing-masing dengan akurasi 99% dan 98%. Namun penggunaan GPU mampu mengatasi permasalahan tersebut dan terbukti meningkatkan kecepatan proses sebanyak 47 kali. Kata kunci: Jaringan Syaraf Tiruan, Graphics Processing Unit, Google Interactive Notebook, Rectified Linear units, Support Vector Machine.
Penggunaan Matlab dan Python dalam Klasterisasi Data Herlawati Herlawati; Rahmadya Trias Handayanto
Jurnal Kajian Ilmiah Vol. 20 No. 1 (2020): Januari 2020
Publisher : Lembaga Penelitian, Pengabdian Kepada Masyarakat dan Publikasi (LPPMP)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (550.65 KB) | DOI: 10.31599/jki.v20i1.85

Abstract

Abstract Organizations need to dig through the data clustering process, both past data and data from the internet. Sometimes the data has to be re-clustered to match the actual conditions. Therefore, it is necessary to prepare clustering support equipment. In this study the K-Means method was chosen for comparing two technical computational languages, i.e. Matlab and Python which are currently in great demand by researchers and can be used by organizations for a clustering process. This study showed both Matlab and Python have enough libraries (libraries) and toolboxes to help users in data clastering as well as graphics presentation. The test results show that the two programming languages are capable of carrying out the clustering process with two clusters; cluster 1 with a center point at coordinates (1.24, 1.34) and cluster 2 with a center point at coordinates (3.1, 3.07) and are presented by a cluster distribution plot. Keywords: Clusterization, K-Means, Matlab, Python. Abstrak Organisasi perlu menggali data lewat proses klasterisasi data, baik data lampau maupun data dari internet. Terkadang data harus dilakukan klasterisasi ulang untuk mencocokan dengan kondisi yang sebenarnya. Oleh karena itu perlu dipersiapkan peralatan pendukung klasterisasi. Dalam penelitian ini metode K-Means dipilih untuk membandingkan dua bahasa komputasi teknis yaitu Matlab dan Python yang sekarang ini banyak diminati para peneliti yang dan dapat digunakan oleh organisasi yang membutuhkan proses klasterisasi. Hasil dari penelitian ini menunjukan baik Matlab maupun Python memiliki cukup pustaka (library) dan toolbox dalam membantu pengguna mengklasterisasi data, mempresentasikan grafik. Hasil pengujian menunjukan kedua Bahasa pemrograman mampu menjalankan proses klasterisasi berupa klaster 1 yang memiliki titik pusat yang berada pada koordinat (1.24, 1.34) dan klaster 2 dengan titik pusat yang berada pada koordinat (3.1, 3.07) disertai dengan plot sebaran klasternya. Kata kunci: Klasterisasi, K-Means, Matlab, Python.
Efektifitas Pembatasan Sosial Berskala Besar (PSBB) di Kota Bekasi Dalam Mengatasi COVID-19 dengan Model Susceptible-Infected-Recovered (SIR) Rahmadya Trias Handayanto; Herlawati Herlawati
Jurnal Kajian Ilmiah Vol. 20 No. 2 (2020): Mei 2020
Publisher : Lembaga Penelitian, Pengabdian Kepada Masyarakat dan Publikasi (LPPMP)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (434 KB) | DOI: 10.31599/jki.v20i2.119

Abstract

To overcome the COVID-19 outbreak, the government did not carry out the lockdown policy (regional quarantine policy) but implemented the Large-Scale Social Restrictions (PSBB) policy. Starting from the capital city of Jakarta, this policy was followed by other regions. Bekasi City as a buffer zone of Jakarta immediately implemented the PSBB policy since this area is close to Jakarta and is feared to be affected by the Jakarta region which is a red zone with almost half of Indonesian COVID-19 cases are in the Jakarta area. Many people do not agree with the PSBB, but in order to keep the economic growth as well as to overcome the outbreak, the government does not adopt a regional quarantine policy. To determine the effectiveness of PSBB in the city of Bekasi, this study tried to use the Susceptible-Infected-Recovered (SIR) model to measure the spread rate of COVID-19. The results showed a decrease in the number of infected cases with beta and gamma were 0.071 and 0.05, respectively, and the epidemic was predicted to end in June 2020. Keywords: coronavirus, epidemic, pandemic, regional quarantine policy, Bekasi City Abstrak Dalam mengatasi wabah COVID-19, pemerintah tidak melakukan karantina wilayah (lock down) tetapi menggunakan kebijakan Pembatasan Sosial Berskala Besar (PSBB). Dimulai dari ibukota Jakarta, kebijakan ini diikuti oleh wilayah lainnya. Kota Bekasi sebagai wilayah penyangga Jakarta segera menerapkan kebijakan PSBB mengingat wilayah ini berdekatan dengan Jakarta dan dikhawatirkan terpengaruh dengan kota Jakarta yang merupakan zona merah dengan hampir separuh kasus COVID-19 ada di wilayah Jakarta. Banyak pihak yang mendukung dan juga kurang setuju dengan PSBB, namun agar perekonomian tetap berjalan dan wabah dapat diatasi, pemerintah tidak mengambil kebijakan karantina wilayah. Untuk mengetahui efektifitas PSBB di kota Bekasi, penelitian ini mencoba menggunakan model Susceptible-Infected-Recoverd (SIR) untuk mengukur laju penyebaran COVID-19. Hasilnya menunjukan adanya laju penurunan kasus terinfeksi dengan beta dan gamma beruturut-turut sebesar 0,071 dan 0,05 dan diprediksi akan berakhir di bulan Juni 2020. Kata kunci: virus corona, epidemik, pandemik, karantina wilayah, Bekasi City
Jaringan Komputer Melalui Kabel Listrik PLN Menggunakan Power Line Communication (PLC) Pada CV Sekarjaya Komputindo Ahmad Liyas Sani; Rahmadya Trias Handayanto; Dadan Irwan
Jurnal Kajian Ilmiah Vol. 20 No. 2 (2020): Mei 2020
Publisher : Lembaga Penelitian, Pengabdian Kepada Masyarakat dan Publikasi (LPPMP)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (766.622 KB) | DOI: 10.31599/jki.v20i2.169

Abstract

Abstract Internet network service providers, CV. Sekarjaya Computindo, currently still uses UTP cables in communication in its office area. If an employee starts working in an office room, he/she must add a UTP cable connected to the switch to get internet access. This study proposes a Power Line Communication (PLC) network for accessing the internet network because there is no need to add a UTP cable to connect between computers and only through an electric current the computers can be connected to each other. Basically, Power Line can replace the role of UTP cables in data transmission, and in terms of network installation, network maintenance, and network maintenance, PLC is much easier compared to UTP. In addition, this study also compared the speed between UTP cables and Power Lines that use PLN electricity. The results of this study indicated that Power Line testing between computers was quite good, with download speeds of 94.4 Mbps, compared to UTP cables of 94.6 Mbps. As for uploading, using a PLC had a speed of 95.4 Mbps, while with a UTP cable had a speed of 94.5 Mbps. For transfer rates with a data size of 600 Mb using PLC, 6Mbps was obtained, whereas if using UTP, it was obtained 10Mbps. Between the use of PLC with UTP cable, there is not too much difference in speed, but PLC makes maintenance and installation easier. Keywords: power line communication, mikrotik, electricity, computer network, speed test. Abstrak Penyedia layanan jaringan internet yaitu CV. Sekarjaya Computindo saat ini masih menggunakan kabel UTP dalam menghubungkan antar komputer di dalam area kantornya. Apabila karyawan akan bekerja di suatu ruangan harus menambahkan kabel UTP yang tersambung ke switch untuk mendapatkan akses internet. Penelitian ini mengusulkan agar di bangun jaringan Power Line Comunication (PLC) yang nantinya memudahkan pengaksesan jaringan internet karena tidak perlu menambah kabel UTP untuk menghubungkan antar komputer dan cukup hanya dengan perangkat PLC melalui arus listrik maka komputer sudah dapat saling terhubung. Pada dasarnya Power Line dapat menggantikan peranan kabel UTP dalam transmisi data dan dari segi instalasi jaringan, perawatan jaringan dan perawatan jaringan jauh lebih mudah di banding dengan UTP. Selain mengusulkan jaringan PLC, pada penelitian ini juga dibandingkan kecepatan antara kabel UTP dan Power Line yang menggunakan arus listrik PLN. Hasil penelitian ini menunjukan pengujian Power Line antar komputer cukup baik, dengan kecepatan download sebesar 94, 4 Mbps, dibandingkan dengan kabel UTP sebesar 94, 6 Mbps. Sedangkan untuk upload, menggunakan PLC memiliki kecepatan 95, 4 Mbps, Sementara dengan kabel UTP sebesar 94, 5 Mbps. Untuk kecepatan transfer dengan data berukuran 600 Mb menggunakan PLC diperoleh 6 Mbps, sementara jika menggunakan UTP diperoleh 10 Mbps. Antara penggunaan PLC dengan kabel UTP tidak terlalu jauh perbedaan kecepatannya, tetapi PLC mempermudah perawatan dan instalasi. Kata kunci: power line communication, mikrotik, listrik, jaringan komputer, speed test.
Co-Authors A.A. Ketut Agung Cahyawan W Aeri Sujatmiko Ahmad Liyas Sani Ahmad Wafiq Amrillah Aji Trisnantoro Andi Hasad Angga Fahreja Anita Setyowati Srie Gunarti Anita Setyowati Srie Gunarti Anita Setyowati Srie Gunarti Anita Setyowati Srie Gunarti Anussara Hirunpongchai, Anussara Atika , Prima Dina Bagus Suryasa Majanasastra Ben Rahman Benrahman Boravin Teng, Boravin Dadan Irwan Dadan Irwan Dadan Irwan Dadan Irwan Dede Rosadi Ekawati, Inna Endang Retnoningsih Endang Retnoningsih Faisal Adi Saputra Fata Nidaul Khasanah Fikri, Muhammad Ramadan Galih Apriansha Pradana Haryono Haryono HARYONO Haryono . Haryono . Haryono Haryono Haryono Haryono Hendharsetiawan, Andy Achmad Heri Setiawan Herlawati Herlawati Intan Juwita Irwan Raharja Jaelani, M Khanittha Saengmanee, Khanittha Maimunah Maimunah Maimunah Maimunah Maimunah Maimunah Maimunah Maimunah, Maimunah Malikus Sumadyo Malikus Sumadyo Malikus Sumadyo Muhammad Aqil Emeraldi Muhammad Arifin Muhammad Ilham Muhammad Irvan Muhammad Ramadan Fikri Muhammad Ramadhan Fikri Nitin Kumar Tripathi Nove Anggara Syah Sejati Nutthapong Khangkhun, Nutthapong Pradana , Galih Apriansha Priatna , Wowon Prima Dina Atika Rafika Sari RAFIKA SARI Randika Purwadhana Rejeki , Sri Retno Nugroho Whidhiasih Retno Nugroho Whidhiasih Retno Whidhiasih Retnoningsih , Endang Reyvan Karani Rika Sylviana Samsiana , Seta Sani, Ahmad Liyas Saputra , Faisal Adi Sella Alaida Syifa1 Sella Alayda Syifa Seta Samsiana Seta Samsiana Seta Samsiana Seta Samsiana Seta Samsiana Setiaji Setiaji Setiawan, Ramdhani Setyo Supratno Setyowati Srie Gunarti, Anita Soedarmin Soenyoto Soedarmin Soenyoto Sohee Minsun Kim Sri Marini Sri Rejeki Sugeng Sugiyatno Sugiyatno Sugiyatno Sugiyatno Sumarlin Syahbaniar Rofiah Taufiqur Rakhman Tyastuti Sri Lestari Yopi Handoyo Yopi Handoyo