Garuda - Garba Rujukan Digital

Tinjuan Pustaka Sistematis - Sistem Rekomendasi Menggunakan Collaborative Filtering Fiyas Mahananing Puri; Kusrini Kusrini; Emha Taufiq Luthfi
JURNAL TECNOSCIENZA Vol. 5 No. 1 (2020): TECNOSCIENZA
Publisher : JURNAL TECNOSCIENZA

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

Pemanfaatan bigdata pada era industry 4.0 telah banyak diterapkan diberbagai bidang untuk membuat sebuah sistem rekomendasi, salah satunya pada bidang bisnis. Collaborative Filtering merupakan salah satu metode yang banyak digunakan pada saat ini untuk menghasilkan sebuah rekomendasi produk. Graph Database pada saat ini sudah menjadi pilihan yang banyak dikombinasikan dengan penggunaan metode Collaborative Filtering. Tujuan dari makalah ini adalah sebagai systematic literatur review untuk menentukan sebuah sistem rekomendasi dengan menggabungkan metode rekomendasi dengan database grafik. Hasil penelitian ini menjawab pertanyaan penelitian (Research Question) sebagai berikut. RQ1: Apakah penggunakan sistem rekomendasi dengan algoritma collaborative filtering mengalami peningkatan? RQ2: Apasajakah fokus dan tujuan penelitian dengan menggunakan collaborative filtering? RQ3: Sub-disiplin ilmu apa yang sering menggunakan collaborative filtering? Sebagai hasil dari tinjauan pustaka, 42 jurnal dipilih sebagai bahan Analisa yang diterbitkan antara tahun 2014 sampai dengan 2019. Hasil penelitian menunjukkan adanya keakuratan tingkat rekomendasi dari metode dan algoritma yang digunakan, dan menjawab pertanyaan selanjutnya (RQ2 dan RQ3). Kata kunci: Sistem Rekomendasi, Collaborative Filtering, Graph Database

DETEKSI WEBSITE PHISHING MENGGUNAKAN TEKNIK FILTER PADA MODEL MACHINE LEARNING Vikky Aprelia Windarni; Anggit Ferdita Nugraha; Surya Tri Atmaja Ramadhani; Dewi Anisa Istiqomah; Fiyas Mahananing Puri; Adi Setiawan
Information System Journal Vol. 6 No. 01 (2023): Information System Journal (INFOS)
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24076/infosjournal.2023v6i01.1268

Phishing merupakan bentuk serangan pada dunia maya yang cukup popular, dimana pengguna dibuat untukmengunjungi situs web yang tidak sah. Pengguna ditipu untuk mengungkapkan informasi pribadinya sepertiusername, password, informasi kartu kredit dan sebagainya. Maraknya phishing membuat kerugian dalam halprivacy, bahkan terjadi penyalahgunaan data yang menyebabkan kerugian finansial. Tujuan dari penelitian iniadalah peneliti ingin menggunakan machine learning dengan memanfaatkan fitur filter yang ada didalamnya yaitupearson correlation dan menerapkan 3 metode NaÃ¯ve Bayes, Decision Tree dan Random Forest untuk menentukanmetode yang paling efektif dalam mendeteksi web phishing. Terdapat 4 alur penelitian yang digunakan olehpeneliti, yaitu (1) Tahap persiapan, (2) Metode yang digunakan, (3) Analisa, dan (4) Evaluasi. Dari hasil penelitianini didapatkan bahwa penerapan metode NaÃ¯ve Bayes memiliki nilai akurasi sebesar 60,4%, metode Decision Treememiliki nilai akurasi 94,4% dan metode Random Forest memiliki akurasi sebesar 96,3%. Sehingga dapatdisimpulkan bahwa metode yang paling efektif untuk mendeteksi web phishing adalah menggunakan RandomForest karena memiliki tingkat akurasi sebesar 96.3%. Pada penelitian selanjutnya dapat dilakukan pada kasusyang sama dengan menggunakan algoritma yang berbeda.

PENGEMBANGAN GAME 2D PLATFORMER HACK AND SLASH GAME “SOUL GENESIS” Jimmy Christian; Vikky Aprelia Windarni; Surya Tri Atmaja Ramadhani; Dewi Anisa Istiqomah; Fiyas Mahananing Puri
Information System Journal Vol. 9 No. 01 (2026): Information System Journal (INFOS)
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24076/infosjournal.2026v9i01.2637

ABSTRACT The development of the gaming industry has led to the emergence of various genres with increasingly diverse gameplay and narrative approaches, one of which is the 2D platformer game with hack and slash elements. This research aims to develop the game Soul Genesis, a 2D hack and slash platformer that combines fast-paced combat mechanics with a storytelling approach based on Javanese folklore. The development method used is the Game Development Life Cycle (GDLC), which includes the stages of initiation, pre-production, production, testing, beta, and release. The game was developed using Unity 2D with the C# programming language and applies a pixel art visual style to support the game's feel. The development results are a functional prototype consisting of several levels with a variety of enemies and challenges. Testing was carried out through alpha testing using the black box method and beta testing involving 30 respondents at the GKM 2024 Expo. The beta testing results showed a user satisfaction level of 82.08%, which is in the "very good" category, especially in the visual aspects, control response, balance of difficulty levels, and the overall gaming experience. Based on these results, it can be concluded that the GDLC method is effectively applied in the development of Unity-based indie games and is able to produce 2D hack and slash platformer games that are worth playing and developing further.

Perbandingan Model Rekomendasi Wisata Yogyakarta Berbasis Rating dan Segmentasi Usia Fiyas Mahananing Puri
Jurnal DutaCom Vol 19 No 1
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47701/y5ah6z21

Ledakan informasi pada platform digital pariwisata membuat wisatawan kesulitan memilih destinasi yang paling relevan dengan preferensi mereka, sehingga sistem rekomendasi menjadi semakin penting untuk menyaring pilihan berdasarkan data rating pengguna. Penelitian ini bertujuan menganalisis dan membandingkan kinerja tiga model rekomendasi destinasi wisata di Yogyakarta, yaitu baseline global berbasis rata-rata rating, item-based collaborative filtering, dan demographic filtering berbasis segmentasi usia. Penelitian menggunakan pendekatan kuantitatif dengan studi kasus pada dataset pariwisata Yogyakarta yang berisi 2.870 interaksi antara 300 pengguna dan 126 destinasi. Data dipra-proses melalui integrasi tiga berkas, pembersihan data, pembentukan kelompok usia, serta pembagian data menjadi 80 persen latih dan 20 persen uji. Kinerja model dievaluasi menggunakan Mean Absolute Error (MAE), baik secara global maupun per kelompok usia. Hasil menunjukkan bahwa baseline global memberikan MAE terendah secara keseluruhan, yaitu 1,222, sedangkan demographic filtering dan collaborative filtering memperoleh MAE masing-masing 1,283 dan 1,301. Pada seluruh kelompok usia, baseline tetap menjadi model dengan MAE terkecil, sehingga pendekatan sederhana berbasis rata-rata rating terbukti lebih stabil pada dataset yang relatif kecil dan jarang. Meskipun demikian, demographic filtering tetap bermanfaat untuk memetakan preferensi destinasi per segmen usia. Penelitian selanjutnya disarankan menggunakan dataset yang lebih besar, menambahkan atribut kontekstual, menguji model hibrida, serta melengkapi evaluasi dengan metrik berbasis ranking dan studi kepuasan pengguna.

Tinjuan Pustaka Sistematis - Sistem Rekomendasi Menggunakan Collaborative Filtering Fiyas Mahananing Puri; Kusrini Kusrini; Emha Taufiq Luthfi
JURNAL TECNOSCIENZA Vol. 5 No. 1 (2020): JURNAL TECNOSCIENZA
Publisher : JURNAL TECNOSCIENZA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51158/56m1ch26

Pemanfaatan bigdata pada era industry 4.0 telah banyak diterapkan diberbagai bidang untuk membuat sebuah sistem rekomendasi, salah satunya pada bidang bisnis. Collaborative Filtering merupakan salah satu metode yang banyak digunakan pada saat ini untuk menghasilkan sebuah rekomendasi produk. Graph Database pada saat ini sudah menjadi pilihan yang banyak dikombinasikan dengan penggunaan metode Collaborative Filtering. Tujuan dari makalah ini adalah sebagai systematic literatur review untuk menentukan sebuah sistem rekomendasi dengan menggabungkan metode rekomendasi dengan database grafik. Hasil penelitian ini menjawab pertanyaan penelitian (Research Question) sebagai berikut. RQ1: Apakah penggunakan sistem rekomendasi dengan algoritma collaborative filtering mengalami peningkatan? RQ2: Apasajakah fokus dan tujuan penelitian dengan menggunakan collaborative filtering? RQ3: Sub-disiplin ilmu apa yang sering menggunakan collaborative filtering? Sebagai hasil dari tinjauan pustaka, 42 jurnal dipilih sebagai bahan Analisa yang diterbitkan antara tahun 2014 sampai dengan 2019. Hasil penelitian menunjukkan adanya keakuratan tingkat rekomendasi dari metode dan algoritma yang digunakan, dan menjawab pertanyaan selanjutnya (RQ2 dan RQ3). Kata kunci: Sistem Rekomendasi, Collaborative Filtering, Graph Database

Analisis Rekomendasi Pembuatan Produk Menggunakan RStudio Dan Twitter (Studi Kasus : Git Solution) Fiyas Mahananing Puri; Surya Tri Atmaja Ramadhani; Dewi Anisa Istiqomah; Vikky Aprelia Windarni; Kardilah Rohmat Hidayat
JURNAL TECNOSCIENZA Vol. 9 No. 1 (2024): JURNAL TECNOSCIENZA
Publisher : JURNAL TECNOSCIENZA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51158/c9z0w740

Dalam lanskap korporat kontemporer, internet telah muncul sebagai alat fundamental untuk meningkatkan penjualan dan layanan pelanggan, terutama melalui penerapan sistem rekomendasi yang banyak digunakan khususnya dalam e-commerce. Namun, banyak perusahaan, termasuk PT GIT Solution, masih belum sepenuhnya memanfaatkan potensi big data dalam analisis pasar, dan masih bergantung pada data historis serta metode konvensional seperti follow-up atau kunjungan langsung. Hal ini menyebabkan kurang optimalnya pemanfaatan data untuk menghasilkan rekomendasi yang relevan dan personal bagi pelanggan. Penelitian ini menggunakan pendekatan analisis data Twitter dengan algoritma pengelompokan K-Means untuk mengelompokkan data dan metode perangkingan Simple Additive Weighting (SAW) untuk memberikan rekomendasi produk yang disesuaikan dengan preferensi pelanggan. Data yang digunakan diperoleh melalui crawling data Twitter, dan dianalisis menggunakan RStudio untuk mengidentifikasi tren serta preferensi konsumen. Hasil penelitian menunjukkan bahwa metode yang digunakan memberikan hasil evaluasi yang memuaskan dengan Indeks Davies-Bouldin (DBI) sebesar 0,10%, yang menunjukkan kualitas pengelompokan yang baik. Implikasi dari hasil ini adalah perusahaan dapat memanfaatkan analisis big data dari media sosial untuk meningkatkan kualitas rekomendasi produk, yang pada akhirnya dapat meningkatkan kepuasan pelanggan dan efektivitas pemasaran.

Implementasi Cluster Proxmox dengan Fitur High Availability pada Laboratorium Sysadmin Universitas Amikom Yogyakarta Surya Tri Atmaja Ramadhani; Fiyas Mahananing Puri; Bahrun Gozali; Muhammad Alfarozi; Amirudin Khorul Huda
JURNAL TECNOSCIENZA Vol. 10 No. 1 (2025): JURNAL TECNOSCIENZA
Publisher : JURNAL TECNOSCIENZA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51158/hzd0r562

Ketersediaan tinggi pada infrastruktur virtualisasi kampus krusial untuk menjaga kesinambungan pembelajaran, namun pemilihan backend penyimpanan sering tidak berbasis bukti. Studi ini mengevaluasi ZFS lokal, NFS berbasis jaringan, dan Ceph terdistribusi pada Proxmox VE di dua skenario, kegagalan simpul komputasi dan kegagalan penyimpanan. Metrik layanan didefinisikan sebagai waktu failover sejak deteksi kegagalan hingga VM siap dan downtime yang teramati klien. Eksperimen dilakukan tiga ulangan per kondisi dengan jeda stabilisasi. Inferensi nonparametrik diterapkan, yaitu Kruskal Wallis dengan uji lanjut Dunn terkoreksi Holm, Mann Whitney U, Cliff’s delta, serta interval kepercayaan 95 persen berbasis bootstrap. Pada kegagalan simpul, ZFS paling cepat dengan failover 31±1 detik dan downtime 27±1 detik, melampaui NFS 45±2 detik dan 39±2 detik serta Ceph 60±2 detik dan 52±2 detik. Perbedaan global signifikan, H(2)=7,20 dan p=0,027, serta ZFS dibanding Ceph tetap signifikan, p=0,0219. Pada kegagalan penyimpanan, Ceph lebih cepat daripada NFS dengan failover 38±1 detik berbanding 47±2 detik dan downtime 33±1 detik berbanding 42±2 detik. Temuan menyarankan pemilihan backend selaras dengan risiko dominan, ZFS untuk kegagalan simpul dan Ceph untuk gangguan penyimpanan. Kebaruan terletak pada evaluasi lintas backend berbasis metrik layanan dengan analisis inferensial dan prosedur pengukuran yang replikatif.

Title

Found 7 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 7 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 7 Documents
Search