Article Per Year (5 Year)
p-Index From 2021 - 2026
1.295
P-Index
This Author published in this journals
All Journal Jurnal ICT : Information Communication & Technology Infotekmesin Data Sciences Indonesia (DSI) Infomans: Jurnal Ilmu-ilmu Informatika dan Manajemen Jurnal Informatika: Jurnal Pengembangan IT Merkurius: Jurnal Riset Sistem Informasi dan Teknik Informatika Scientific Development Journal JIMT: Jurnal Informatika, Multimedia dan Teknik
Beben Sutara
Universitas Sebelas April
Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering Environmental Science Law, Crime, Criminology & Criminal Justice Library & Information Science Mechanical Engineering Physics Social Sciences Other

Published : 15 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 15 Documents
Search

 1   2 
Analisis Komparatif Linear Regression dan Support Vector Regression pada Prediksi Penduduk Kabupaten Sumedang Kaka Kalam Djati Permana; Esa Firmansyah; Beben Sutara
Data Sciences Indonesia (DSI) Vol. 5 No. 2 (2025): Article Research Volume 5 Issue 2, Desember 2025
Publisher : Yayasan Cita Cendikiawan Al Kharizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/dsi.v5i2.7423

Abstract

Perencanaan pembangunan daerah yang adaptif di Kabupaten Sumedang sangat bergantung pada ketersediaan data demografi yang presisi sebagai landasan pengambilan kebijakan publik. Namun, upaya pemodelan prediksi menghadapi tantangan teknis yang signifikan akibat karakteristik data historis yang terbatas (small dataset) serta keberadaan gangguan tren (structural break) berupa fluktuasi anomali data pada tahun 2020. Penelitian ini bertujuan untuk mengkomparasikan efektivitas kinerja algoritma Linear Regression sebagai model parametrik dan Support Vector Regression (SVR) berbasis kernel RBF yang dioptimasi menggunakan GridSearchCV sebagai model non-parametrik. Metodologi penelitian menerapkan teknik pra-pemrosesan normalisasi MinMax Scaler untuk mempertahankan struktur asli data yang tidak berdistribusi normal, serta menggunakan skema chronological split untuk validasi temporal yang objektif. Hasil evaluasi empiris menunjukkan bahwa Linear Regression memiliki performa yang jauh lebih unggul dan robust, mencatatkan nilai Root Mean Square Error (RMSE) sebesar 3.858 jiwa dan Koefisien Determinasi () 0,8265. Sebaliknya, meskipun telah melalui proses tuning, SVR mengalami kendala generalisasi atau bias struktural dengan nilai RMSE yang tinggi mencapai 8.810 jiwa, akibat sensitivitas berlebih terhadap pola penurunan data latih sehingga gagal menangkap tren pemulihan (rebound). Berdasarkan model terbaik, diproyeksikan jumlah penduduk akan tumbuh konstan sebesar 7.310 jiwa per tahun hingga mencapai estimasi 1,24 juta jiwa pada akhir tahun 2030. Temuan ini menyimpulkan bahwa pada kasus data terbatas dengan pola tren linier yang kuat, algoritma sederhana terbukti lebih andal dan stabil dibandingkan algoritma kompleks.
Analisis Clustering Menggunakan Metode K-Means dalam Penentuan Prioritas Operasional Penagihan Pajak Bumi dan Bangunan di Desa Gunasari Muhammad Anwar; Esa Firmansyah; Beben Sutara
Data Sciences Indonesia (DSI) Vol. 5 No. 2 (2025): Article Research Volume 5 Issue 2, Desember 2025
Publisher : Yayasan Cita Cendikiawan Al Kharizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/dsi.v5i2.7464

Abstract

Pajak Bumi Dan Bangunan (PBB) menjadi salah satu sumber penting pendapatan asli daerah yang berperan dalam membiayai pembangunan di Desa Gunasari yang dimana desa dituntut untuk mengoptimalkan pemungutan PBB dengan lebih efisien. Penelitian ini menggunakan pendekatan kuantitatif dengan metode analisi eksploratif untuk menetapkan skala prioritas penagihan PBB berdasrakan Clustering menggunakan data PBB yang diperoleh dari sistem administarsi desa dengan tujuan untuk dianalisis prioritas tagihan berdasarkan jalan. Data yang diperoleh diagregasi meenggunakan Feature Engineering sehingga diperoleh indikator jumlah wajib pajak yang menunggak dan total nilai PBB tertunggak untuk setiap jalan. Untuk menentukan jumlah cluster optimal Elbow Method dan Silhouette Score menunjukkan bahwa k=3 merupakan pilihan terbaik dengan skor siluer sebesar 0,713. Penerapan Algoritma K-Means membagi jalan menjadi tiga kelompok prioritas yaitu rendah, menengah dan tinggi yang dimana masing masing kelompok tersebut memiliki perbedaan dalam jumlah jalan, jumlah wajib pajak menunggak dan total PBB tertunggak dengan tujuan memberikan peluang bagi pemerintah desa untuk mengatur sumber daya penagihan dengan lebih efisien dan fokus pada beberapa jalan yang memiliki prioritas tinggi serta merancang strategi pemantauan dan sosialisasi berbasis data. Pendekatan ini terbukti memenuhi kaidah validitas statistik sekaligus menunjukan bahwa pendekatan tersebut dapat diimplementasikan secara praktis dalam pengelolaan PBB di Desa Gunasari.
Prediksi Risiko Gagal Panen Cabai Rawit Merah Menggunakan Algoritma Decision Tree Nurfalah, Kamal; Firmansyah, Esa; Sutara, Beben; Sofian, Yanyan
Data Sciences Indonesia (DSI) Vol. 5 No. 2 (2025): Article Research Volume 5 Issue 2, Desember 2025
Publisher : Yayasan Cita Cendikiawan Al Kharizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/dsi.v5i2.7466

Abstract

Produksi cabai rawit merah di Kabupaten Sumedang mengalami fluktuasi signifikan dalam beberapa tahun terakhir akibat perubahan iklim dan meningkatnya serangan penyakit tanaman. Curah hujan ekstrem, kelembapan tinggi, serta suhu yang tidak stabil menjadi faktor utama pemicu munculnya penyakit seperti antraknosa dan layu fusarium yang menyebabkan gagal panen. Penelitian ini bertujuan untuk memprediksi risiko gagal panen cabai rawit merah dengan memanfaatkan data cuaca, kondisi agronomi, serta tingkat serangan penyakit menggunakan algoritma Decision Tree. Data yang digunakan berasal dari data primer melalui wawancara dan observasi petani, serta data sekunder dari BMKG, BPS, Open Data Sumedang, dan Dinas Pertanian periode 2020–2025. Tahapan penelitian meliputi pengumpulan data, preprocessing, analisis deskriptif, pembangunan model Decision Tree C4.5, serta evaluasi menggunakan akurasi, precision, recall, F1-score, dan confusion matrix. Hasil penelitian menunjukkan bahwa serangan penyakit, kelembapan, dan suhu merupakan variabel paling berpengaruh dalam menentukan kategori hasil panen, dimana penyakit menjadi pemisah utama pada model pohon keputusan. Model mampu memprediksi kategori gagal panen dengan akurasi tinggi, meskipun performa pada kategori panen berhasil lebih rendah akibat variabilitas data agronomi. Penelitian ini menyimpulkan bahwa Decision Tree efektif digunakan sebagai alat prediksi risiko gagal panen dan berpotensi mendukung pengambilan keputusan waktu tanam dan strategi mitigasi bagi petani cabai rawit merah di Sumedang.
Analisis Komparatif Model Regresi Linier dan Polinomial pada Small Dataset untuk Prediksi Timbulan Sampah: Indonesia Listia Silviani; Esa Firmansyah; Beben Sutara
Infoman's : Jurnal Ilmu-ilmu Informatika dan Manajemen Vol. 19 No. 2 (2025): Infoman's
Publisher : LPPM & Fakultas Teknologi Informasi UNSAP

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

Abstract

Bandung Regency faces severe waste management challenges, generating an average daily volume of 1,300 tons without possessing an independent landfill facility. Consequently, accurate data-driven prediction is crucial for strategic infrastructure planning. However, the application of machine learning algorithms at the regional level is often significantly constrained by the scarcity of historical data (small datasets), which introduces high risks of overfitting and statistical bias. This study aims to evaluate prediction modeling strategies using a limited annual dataset (n=4) spanning from 2021 to 2024, sourced from Open Data Jabar. The methodology compares Linear Regression and Second-Degree Polynomial Regression algorithms by employing a full training approach combined with descriptive validation based on the Rate of Change (RoC) analysis. The results indicate that while Polynomial Regression achieves superior statistical performance with an R-squared of 0.9958 and an RMSE of 3,144.59 tons, trend analysis reveals clear signs of overfitting, as the model predicts an implausible deceleration in future waste growth that contradicts demographic realities. Conversely, Linear Regression (R2 = 0.9756) provides more stable and consistent trend estimates. Therefore, this study recommends Linear Regression as a more robust model for policy planning under limited data conditions, projecting waste generation to reach 467,964.01 tons in 2025, serving as an early warning for urgent capacity expansion.
Analisis Keamanan Sistem Biometrik terhadap Ancaman Deepfake : Studi Kasus Lonjakan 3.000% Fraud Incidents Periode 2023-2024 Osewa Pallyama Sultan Khadir; Asep Saeppani; Esa Firmansyah; Beben Sutara
Merkurius : Jurnal Riset Sistem Informasi dan Teknik Informatika Vol. 4 No. 4 (2026): Juli: Merkurius : Jurnal Riset Sistem Informasi dan Teknik Informatika
Publisher : Asosiasi Riset Teknik Elektro dan Informatika Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61132/merkurius.v4i4.1318

Abstract

The rapid advancement of deepfake technology powered by Generative AI has created a critical security threat to biometric authentication systems, particularly face recognition and voice recognition. Global reports from 2023–2024 indicate a dramatic 3,000% increase in deepfake-enabled identity fraud, emphasizing the urgent need for stronger biometric security measures. This study aims to analyze key vulnerabilities in biometric systems against deepfake attacks, evaluate the effectiveness of existing detection techniques, and develop a layered biometric security framework as a mitigation solution. The research employs a Systematic Literature Review (SLR) of scientific publications and industry reports from 2016–2025, complemented by Lite Expert Validation to assess the feasibility of the proposed framework. The findings reveal that most biometric systems remain vulnerable to advanced face swap, voice cloning, and liveness detection bypass attacks. Detection methods based on frequency–spatial analysis and multi-modal deepfake detection are identified as the most effective, although they require strong operational integration. This study introduces the Biometric Deepfake Security Framework, which incorporates technical, procedural, and adaptive security controls to enhance biometric resilience against digital identity manipulation. The proposed framework is expected to provide practical guidance for organizations relying on biometric authentication to strengthen protection against evolving deepfake threats.
Co-Authors Ahmad Qamal Migdad Asep Saeppani Dita Rizki Amalia Esa Firmansyah Esa Firmansyah Firmansyah, Esa Gumelar Syah Moeslim, Alif Handayani, Tineka Heri Kuswanto Heri Kuswanto Kaka Kalam Djati Permana Listia Silviani Maya Suhayati MUHAMMAD ANWAR Mujahidin Mujahidin Novianti, Rostika Nurfalah, Kamal Osewa Pallyama Sultan Khadir Ridwan Maulana, Ridwan Sofian, Yanyan Sutrisno Sutrisno Vulture, Fidi