Claim Missing Document
Check
Articles

Found 6 Documents
Search
Journal : Jurnal Sistem dan Informatika

Sistem Backup Data Otomatis Menggunakan Protocol FTP dan SMS Gateway I Made Darma Susila; AAG Agung Putra Ratu Asmara
Jurnal Sistem dan Informatika (JSI) Vol 8 No 2 (2014)
Publisher : Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis (ITB) STIKOM Bali

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (965.985 KB)

Abstract

Pada sebuah instansi yang semuanya terkomputerisasi dan dilengkapi dengan server memungkinkan data menjadi terpusat, sehingga server menjadi sebuah alat yang sangat riskan apabila mengalami kerusakan. Data dalam sever tidak bisa diselamatkan apabila server bermasalah, maka dibutuhkan sebuah sistem yang dapat membackup data ke komputer yang berbeda. Untuk memonitoring data apakah berhasil di backup atau tidak, maka memerlukan seseorang admin. Tetapi admin tidak menjamin monitoring akan berjalan dengan baik karena tenaga manusia terbatas. Pada penelitian ini menjelaskan bagaimana membuat sistem yang dapat melakukan backup file secara otomatis sesuai dengan waktu yang ditentukan oleh admin dan sistem secara otomatis melakukan download file dengan protocol FTP (File Transport Protocol). Sedangkan untuk memudahkan dalam monitoring, sistem dilengkapi dengan aplikasi gammu untuk pembuatan sms gateway yang berfungsi mengirimkan pesan ke admin apakah file sudah dibackup semua atau mengalami kegagalan. Dari hasil penelitian, sistem ini mampu membackup data secara otomatis dan mengirimkan pesan sms ke admin apakah backup berhasil atau gagal dilakukan
Analisa dan Perancangan Sistem Pendaftaran dan Ujian Seleksi Asdos (Asisten Dosen) STMIK STIKOM Bali I Made Darma Susila
Jurnal Sistem dan Informatika (JSI) Vol 10 No 2 (2016)
Publisher : Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis (ITB) STIKOM Bali

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (318.224 KB)

Abstract

Asisten dosen adalah seseorang yang membantu dosen dalam melakukan proses pembelajaran. Stikom Bali membutuhkan asisten dosen pada saat pembelajaran di laboratorium, dikarenakan pembelajaran di laboratorium membutuhkan tenaga ekstra dalam pengajaran. Selama ini pendaftaran dan seleksi dilakukan secara konvensional. Pertama calon asisten dosen mengumpulan data diri beserta transkrip nilai. Dari transkrip nilai tersebut akan dijadikan acuan untuk menentukan keahlian dari masing-masing calon asdos. Soal ujian disesuaikan dengan keahlian masing-masing calon asisten dosen, selain soal tersebut mereka juga akan diberikan soal tentang pengetahuan umum yang dikuasai oleh asisten dosen. Penelitian ini membahas bagaimana cara menganalisa dan merancang sistem untuk melakukan seleksi asisten dosen. Analisa dilakukan dengan menjabarkan kebutuhan dari sistem secara bertahap. Untuk perancangan menggunakan UML (Unified Modelling Language). Dalam penelitian ini menghasilkan kebutuhan dari sistem, beserta rancangan berupa usecase diagram, activity diagram, sequence diagram, class diagram dan desain interface sistem. Hasil tersebut bisa dirangkum untuk membuat sebuah sistem yang akan diimplementasikan menjadi sebuah software yang utuh.
Optimasi Klasifikasi Naive Bayes Menggunakan Analisis Kemiripan Data Untuk Mengukur Kinerja Dosen Hostiadi, Dandy Pramana; Ni Luh Putri Srinadi; I Made Darma Susila
Jurnal Sistem dan Informatika (JSI) Vol 17 No 2 (2023): Jurnal Sistem dan Informatika (JSI)
Publisher : Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis (ITB) STIKOM Bali

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30864/jsi.v17i2.519

Abstract

Dosen memiliki kewajiban Tridarma yaitu wajib melaksanakan pendidikan, penelitian dan pengabdian kemapada masyarakat. Terdapat beberapa variabel yang dapat digunakan dalam mengukur kualitas kinerja dosen, seperti motivasi, kepemimpinanan, budaya organisasi, dan pelatihan. Beberapa penelitian sebelumnya memodelkan pengukuran dengan pendekatan klaisifikasi. Namun model klasifikasi perlu dioptimalkan untuk mendapatkan hasil yang optimal, misalnya dalam dengan pengukuran kemiripan data kinerja dosen sehingga mampu mendapatkan model yang optimal. Metode pengukuran kemiripan data dapat digunakan agar dapat mengelompokkan berdasarkan kelompok pola data dan mengurangi data yang bersifat redundant. Semakin banyak data yang memiliki kemiripan maka model akan mengklasifikasikan lebih cepat dan tepat. Penelitian ini melakukan optimasi klasifikasi menggunakan pengukuran kemiripan yaotu euclidean distance untuk mengelompokkan data sehingga didapatkan kelompok data yang serupa dan digunakan dalam pengukuran klasifikasi. Metode klasifikasi yang digunakan adalah naive bayes, dan optimasi menunjukkan model memiliki performa yang lebih baik dibandingkan tanpa menggunakan metode analisis kemiripan data dengan akurasi sebesar 0.757, precision 0.763, recall 0.757 dan F1-score adalah 0.755,. Pendekatan yang diusulkan dapat digunakan di perguruan tinggi untuk mengukur kinerja dosen yang menggunakan metode klasifikasi dengan hasil yang tepat dan cepat.
Pengaruh Jumlah Fitur pada Algoritma Machine Learning dalam Memprediksi Aktivitas Jatuh Made Liandana; I Made Darma Susila
Jurnal Sistem dan Informatika (JSI) Vol 17 No 2 (2023): Jurnal Sistem dan Informatika (JSI)
Publisher : Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis (ITB) STIKOM Bali

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30864/jsi.v17i2.589

Abstract

Mendeteksi terjadinya jatuh sangat penting dilakukan karena jatuh dapat memberikan dampak yang serius bagi kesehatan. Salah satu perangkat sensor yang dapat digunakan untuk menyediakan data aktivitas jatuh adalah sensor accelerometer. Data sensor tersebut perlu diektraksi menjadi fitur dan diklasifikasi menggunakan algoritma machine learning. Selain itu, untuk memilah dan memilih fitur, dan mengetahui kombinasi fitur yang relevan diperlukan algoritma seleksi fitur. Pada penelitian ini, jatuh dideteksi berdasarkan data sensor accelerometer tiga sumbu (x, y, dan z), data yang digunakan merupakan data publik. Data diekstraksi menggunakan fungsi statistik yang terdiri dari: minimum, maksimum, rata-rata, nilai tengah, dan standar deviasi. Terdapat 15 fitur yang akan dievaluasi oleh algoritma machine learning. Algoritma machine learning yang digunakan adalah: k-Nearest Neighbors (KNN), Decision Tree (D-Tree), Random Forest (RF), Support Vector Machine (SVM), AdaBoost, dan Gradient Boosting. Untuk mengevaluasi jumlah fitur yang paling optimal pada algoritma machine learning, seleksi fitur yang digunakan adalah Analysis of Variance (ANOVA). Penggunaan fitur sebanyak 7, 8, 9, 10, dan 11 fitur menghasilkan performa machine learning yang paling optimal yang dicapai oleh machine learning: Decision Tree (D-Tree), Random Forest (RF), dan Gradient Boosting. Secara berturut-turut, ketiga classifier ini memiliki nilai accuracy, F-1, precision, recall, dan specificity adalah 1.000, 1.000, 1.000, 1.000, dan 1.000.
Pengenalan Aktivitas Manusia dengan Seleksi Fitur Analysis of Variance (ANOVA) dan Mutual Information (MI) pada Data Sensor Accelerometer Berbasis Machine Learning Made Liandana; I Made Darma Susila; Yohanes Priyo Atmojo
Jurnal Sistem dan Informatika (JSI) Vol 18 No 2 (2024): Jurnal Sistem dan Informatika (JSI)
Publisher : Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis (ITB) STIKOM Bali

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30864/jsi.v18i2.606

Abstract

Pengenalan aktivitas manusia telah banyak dikembangkan untuk berbagai keperluan, seperti kesehatan, olahraga, hingga pengawasan lanjut usia. Penggunaan perangkat sensor menjadi salah satu pilihan dalam melakukan pengenalan aktivitas manusia. Sensor accelerometer adalah salah satu perangkat yang umum digunakan dalam pengenalan aktivitas. Data sensor ini memerlukan teknik dan algoritma yang tepat sehingga menghasilkan hasil pengenalan aktivitas yang sesuai. Penggunaan tradisional machine learning menjadi salah satu teknik yang dapat digunakan, teknik ini memerlukan proses ekstraksi fitur, dan seleksi fitur. Teknik seleksi fitur mana dan berapa jumlah fitur yang tepat untuk mendapatkan performa machine learning yang optimal perlu dilakukan investigasi lebih lanjut. Pada penelitian ini, dilakukan evaluasi terhadap kombinasi sejumlah fitur menggunakan algoritma machine learning: Extreme Gradient Boosting (XGB), Gradient Boosting (GBoost), Random Forest (RF), Decision Tree (DT), dan Support Vector Machine (SVM. Dataset publik yang digunakan yaitu FORTH-TRACE. Sensor yang digunakan adalah sensor accelerometer. Fitur yang digunakan meliputi nilai minimum, nilai maksimum, nilai rata-rata, nilai tengah, standar deviasi, dan nilai interkuartil. Sedangkan seleksi fitur yang digunakan adalah Analysis of Variance (ANOVA) dan Mutual Information (MI). Performa machine learning yang paling optimal ketika jumlah fitur 17 sampai dengan 18 fitur dengan akurasi 0,875, sedangkan performa machine learning paling optimal dicapai dengan menggunakan Extreme Gradient Boosting (XGB).
Analisis Perbandingan Metode Seleksi Fitur pada Model Klasifikasi Decission Tree untuk Deteksi Serangan di Jaringan Komputer Hariyanti, Eva; Hostiadi, Dandy Pramana; Anggreni; Yohanes Priyo Atmojo; I Made Darma Susila; Tangkawarow, Irene
Jurnal Sistem dan Informatika (JSI) Vol 18 No 2 (2024): Jurnal Sistem dan Informatika (JSI)
Publisher : Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis (ITB) STIKOM Bali

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30864/jsi.v18i2.615

Abstract

Perkembangan informasi dan teknologi memerlukan teknik pengamanan yang tepat. Potensi terjadinya kebocoran data dan informasi di era digital sangat tinggi apabila tidak ditangani dengan serius. Beberapa serangan berbahaya yang terjadi adalah spam, Denial of Service Attack, ARP Poisoning, SQL Injection, U2L, R2L dan Probing. Penelitian sebelumnya telah mengenalkan pendekatan deteksi serangan berbahaya seperti menggunakan klasifikasi, klusterisasi dan analisis statistik. Namun analisis penggunaan fitur terbaik perlu dilakukan untuk mendapatkan hasil model klasifikasi yang optimal. Pada penelitian ini, menganalisis dan mencari metode seleksi fitur terbaik yang dapat diimplementasikan pada model klasifikasi berbasis machine learning untuk mendeteksi serangan di jaringan. Dataset yang digunakan adalah UNSW-NB15, dan dilakukan beberapa proses seperti data transformasi, Data normalisasi, seleksi Fitur dan Klasifikasi. Perbandingan teknik seleksi fitur yang digunakan antara lain ANOVA, UNIVARIATE dan ChiSquare. Tujuan penelitian ini adalah untuk meningkatkan akurasi, precision dan recall pada model klasifikasi Decision Tree. Hasil penelitian pengujian menunjukkan bahwa metode seleksi fitur terbaik dalam model klasifikasi adalah metode ANOVA dengan hasil nilai Area Under Curve sebesar 0.989, nilai F1-score adalah 0.999, akurasi deteksi adalah 0.999, nilai precission adalah 0.999 dan recall adalah 0.999. Hasil penelitian ini dapat digunakan untuk menyempurnakan model Intrusi Detection System berbasis machine learning.