Article Per Year (5 Year)
p-Index From 2020 - 2025
0.562
P-Index
This Author published in this journals
All Journal E-JOINT (Electronica and Electrical Journal Of Innovation Technology) JITEL (Jurnal Ilmiah Telekomunikasi, Elektronika, dan Listrik Tenaga)
Firmansyah Maulana
Universitas Siliwangi
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Energy Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Penerangan jalan umum pintar dengan kendali power line carrier berbasis Internet of Things: Smart public street lighting with Internet of Things based power line carrier control Syarif Hidayatullah; Asep Andang; Firmansyah Maulana
JITEL (Jurnal Ilmiah Telekomunikasi, Elektronika, dan Listrik Tenaga) Vol. 2 No. 1: March 2022
Publisher : Jurusan Teknik Elektro, Politeknik Negeri Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35313/jitel.v2.i1.2022.47-56

Abstract

Penerangan jalan umum (PJU) merupakan aspek penting dalam penataan suatu daerah/kota. PJU berbasis Internet of Things (IoT) sebenarnya sudah banyak, baik menggunakan kabel atau nirkabel. Namun, masih banyak PJU yang menggunakan sistem manual untuk mengaktifkan dan mematikannya. Pada lokasi tertentu PJU dengan basis IoT tidak dapat bekerja karena terletak pada daerah pedalaman yang tidak terjangkau oleh internet. Maka, pada penelitian ini digunakan metode power line carrier (PLC) KQ330 sebagai penghantar komunikasi data. Pada tiap PJU dilengkapi Arduino Uno, PLC, dan relai. Arduino Uno akan memproses data yang diterima pada sisi PJU dan diteruskan pada relai yang akan menyalakan dan mematikan lampu. Lampu PJU dikendalikan melalui web interface yang terhubung dengan NodeMCU sebagai pengirim data pada PJU. Pengirim dan penerima akan terhubung dengan komunikasi melalui jaringan kabel PLN. Dari pengujian yang telah dilakukan, pada mode otomatis PLC dapat mengirim data sejauh 200 meter dengan durasi pengiriman 252 milidetik. Untuk mode manual pada jarak 200 meter PLC dapat mengirim data dengan durasi 1 detik. Oleh karena itu, PJU dengan kendali PLC dapat diimplementasikan pada daerah yang tidak terjangkau akses internet.
Klasifikasi serangan malware terhadap lalu lintas jaringan Internet of Things menggunakan Algoritma K-Nearest Neighbour (K-NN) Ari Sandriana; Rianto Rianto; Firmansyah Maulana
E-JOINT (Electronica and Electrical Journal Of Innovation Technology) Vol 3, No 1: E-JOINT, Juni 2022
Publisher : Politeknik Negeri Cilacap

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35970/e-joint.v1i3.1336

Abstract

Penerapan internet of things (IoT) dapat membuat semuanya terhubung ke internet tetapi sistem IoT dapat menjadi sasaran yang sangat mudah untuk disusupi penyerang dengan menggunakan malware, lebih dari 1,6 miliar atau tepatnya 1.637.973.022 anomali traffic atau serangan siber (cyber attack) yang terjadi diseluruh wilayah Indonesia sepanjang tahun 2021, teknik machine learning dapat dimanfaatkan untuk proses pengklasifikasian anomali traffic dengan menggunakan algoritma k-nearest neighbour (KNN) sehingga dapat membedakan data traffic yang bersifat benign atau malicious. Data anomali traffic yang digunakan adalah dataset aposemat IoT-23, didalam dataset tersebut terdapat 23 dataset, lalu terbagi kedalam 20 datasetscenario malicious dan 3 dataset scenario benign. Namun dataset yang digunakan adalah 20 dataset scenario malicious. 20 dataset tersebut selanjutnya dilakukan data preprocessing supaya dapat digunakan untuk proses training model atau pengklasifikasian. Nilai akurasi yang didapatkan setelah proses training model sebesar 0.94 atau 94%, model yang sudah dilakukan training model dapat memprediksi traffic data baru kedalam benign atau malicious, data baru yang sudah disiapkan adalah sebanyak 25 data baru. Prediksi 25 data baru tersebut menghasilkan 20 data diprediksi benar atau sesuai dan 5 data diprediksi salah atau tidak sesuai, 5 data tersebut terbagi menjadi 3 data yang harusnya diprediksi benign dan 2 data yang harusnya diprediksi malicious.
Klasifikasi serangan Malware terhadap Lalu Lintas Jaringan Internet of Things menggunakan Algoritma K-Nearest Neighbour (K-NN) Ari Sandriana; Rianto; Firmansyah Maulana
E-JOINT (Electronica and Electrical Journal Of Innovation Technology) Vol. 3 No. 1 (2022): E-JOINT, Juni 2022
Publisher : Politeknik Negeri Cilacap

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35970/e-joint.v3i1.1559

Abstract

Penerapan Internet of Things (IoT) dapat membuat semuanya terhubung ke internet tetapi sistem IoT dapat menjadi sasaran yang sangat mudah untuk disusupi penyerang dengan menggunakan malware, lebih dari 1,6 miliar atau tepatnya 1.637.973.022 anomali traffic atau serangan siber (cyberattack) yang terjadi diseluruh wilayah Indonesia sepanjang tahun 2021, teknik machine learning dapat dimanfaatkan untuk proses pengklasifikasian anomali traffic dengan menggunakan algoritma k-nearest neighbour (KNN) sehingga dapat membedakan data traffic yang bersifat benign atau malicious. Data anomali traffic yang digunakan adalah dataset aposemat IoT-23, didalam dataset tersebut terdapat 23 dataset, lalu terbagi kedalam 20 dataset scenario malicious dan 3 dataset scenario benign. Namun dataset yang digunakan adalah 20 dataset scenario malicious. 20 dataset tersebut selanjutnya dilakukan data preprocessing supaya dapat digunakan untuk proses training model atau pengklasifikasian. Nilai akurasi yang didapatkan setelah proses training model sebesar 0.94 atau 94%, model yang sudah dilakukan training model dapat memprediksi traffic data baru kedalam benign atau malicious, data baru yang sudah disiapkan adalah sebanyak 25 data baru. Prediksi 25 data baru tersebut menghasilkan 20 data diprediksi benar atau sesuai dan 5 data diprediksi salah atau tidak sesuai, 5 data tersebut terbagi menjadi 3 data yang harusnya diprediksi benign dan 2 data yang harusnya diprediksi malicious.
Co-Authors Ari Sandriana Asep Andang, Asep Rianto Rianto, Rianto Syarif Hidayatullah