Claim Missing Document
Check
Articles

Found 12 Documents
Search

Aplikasi Line Library Menggunakan Framework Codeigniter Dan Line Api Politeknik Pos Indonesia Terintegrasi Dengan Ibeacon. (Sub Integrasi Konten Perpustakan Dengan Ibeacon Dan Line) Ayu Permata Sari; Muhammad Ayat Hidayat
Jurnal MediaTIK Volume 2 Issue 2 (2019)
Publisher : Jurusan Teknik Informatika dan Komputer

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

Abstract

Perpustakaan adalah suatu tempat bagi para mahasiswa untuk dapat memperoleh akses terhadap informasi dan pengetahuan. Perpustakaan merupakan fasilitas pendukung proses pengajaran dan pembelajaran. Dengan fasilitas perpustakaan, para mahasiswa dapat mengembangkan kreativitas dan imajinasi mereka. Perpustakaan Politeknik Pos Indonesia sudah sangat baik dari segi keteknologiannya. Mahasiswa dapat meminjam buku, mengembalikan buku, memperpanjang buku, mencari buku dengan mengunjungi rak-rak yang ada di perpustakaan, dan juga mahasiswa dapat mencari buku di komputer. Namun, permasalahan yang terjadi adalah di perpustakaan hanya tersedia beberapa komputer yang telah tersistem sehingga mahasiswa yang ingin mencari buku dengan komputer harus antri dengan mahasiswa lainnya. Oleh karena itu, dibutuhkan sistem untuk dapat mempermudah mahasiswa dalam hal mencari buku, meminjam buku, dan memperpanjang buku. Line Library merupakan aplikasi perpustakaan berbasis android dengan menggunakan Line. Aplikasi ini digunakan untuk memudahkan mahasiswa dalam melakukan pencarian buku, meminjam buku, mengembalikan buku, dan memperpanjang buku di Perpustakaan. Dengan bantuan alat yaitu iBeacon yang terintegrasi dengan Line, yang akan memberikan notifikasi pada smartphone mahasiswa bahwa mahasiswa sedang berada di rak sekian dengan bantuan bluetooth. Sehingga, mahasiswa dapat melihat buku-buku pada rak tersebut melalui aplikasi Line. Mahasiswa juga dapat meminjam buku di aplikasi Line. Aplikasi ini dirancang dengan menggunakan bahasa pemrograman PHP dan MySQL sebagai databasenya. Line Library akan berisi data buku-buku pada rak tertentu, sehingga mahasiswa dapat melihat daftar buku tanpa harus mencari di rak. Mahasiswa juga dapat melakukan peminjaman buku, pengembalian buku, dan memperpanjang buku. Sehingga, memudahkan mahasiswa tanpa harus mengantri dengan mahasiswa lainnya untuk menggunakan komputer yang ada di perpustakaan.
Privacy-Preserving Deep Learning For Enhancing Privacy for Business Information Processing Using Differential Privacy Muhammad Ayat Hidayat; Yusi Irensi Seppa
Journal of Embedded Systems, Security and Intelligent Systems Vol 6, No 4 (2025): Desember 2025
Publisher : Program Studi Teknik Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59562/jessi.v6i4.10833

Abstract

Artificial intelligence is a rapidly growing technology that has been implemented in various sectors such as finance, education, the military, healthcare, and business. One form of artificial intelligence is deep learning, which has the capability to perform complex pattern recognition and decision-making using very large datasets. This capability makes deep learning one of the key technologies adopted by companies and organizations to improve their policies and enhance operational stability. However, several studies have shown that deep learning still faces significant challenges, particularly security risks that may expose sensitive business or organizational information. Therefore, in this work, we aim to address this problem and enhance the privacy protection of deep learning by incorporating differential privacy. Differential privacy is a technique that protects sensitive information by adding controlled noise to the data or model outputs, thereby reducing the risk of information leakage. We evaluate our proposed method using marketing data and implement it to 5 different models, and based on the experimental results, Our proposed method achieves its best performance using the linear regression model, yielding an RMSE of approximately 1821.30, an MAE of 1406.45, and an R² of 0.007717 for higher privacy budget. Under a lower privacy budget, the performance of the linear regression model decreases to an RMSE of 3634.24, an MAE of 2799.05, and an R² of –0.008482, yet it still outperforms the other four model approaches.