Article Per Year (5 Year)
p-Index From 2021 - 2026
3.957
P-Index
This Author published in this journals
All Journal Dinamik Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Jurnal Transformatika Jurnal Edukasi dan Penelitian Informatika (JEPIN) JUITA : Jurnal Informatika Jurnal Sistem dan Informatika Proceedings Konferensi Nasional Sistem dan Informatika (KNS&I) WARTA Jurnal ELTIKOM : Jurnal Teknik Elektro, Teknologi Informasi dan Komputer Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Emerging Science Journal JITK (Jurnal Ilmu Pengetahuan dan Komputer) ILKOM Jurnal Ilmiah WIDYABHAKTI Jurnal Ilmiah Populer Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) Jurnal Tekno Kompak Journal of Electronics, Electromedical Engineering, and Medical Informatics Respati Indonesian Journal of Electrical Engineering and Computer Science Jurnal Teknik Informatika (JUTIF) Melek IT: Information Technology Journal Jurnal Ilmiah IT CIDA : Diseminasi Teknologi Informasi Sevanam: Jurnal Pengabdian Masyarakat
Roy Rudolf Huizen
Institut Teknologi Dan Bisnis Stikom Bali
Religion Aerospace Engineering Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Social Sciences

Published : 39 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Jurnal Sistem dan Informatika

 1 
Model Evaluasi Rekaman Percakapan Di Audio Forensik Roy Rudolf Huizen; Ni Ketut Dewi Ari Jayanti; Dandy Pramana Hostiadi
Jurnal Sistem dan Informatika (JSI) Vol 11 No 2 (2017)
Publisher : Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis (ITB) STIKOM Bali

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

Abstract

Metadata pada rekaman percakapan berisi berbagai informasi, salah satunya adalah ciri frekuensi yang digunakan untuk identifikasi identitas. Ciri tersebut sangat rentan interferensi noise. Untuk menghilangkannya digunakan filter, namun penggunaan filter menyebabkan sebagian komponen ciri frekuensi tereduksi, sehingga tidak dapat digunakan dalam hal ini. Untuk hasil acquisisi dari metadata mempunyai kualitas yang baik maka dilakukan evaluasi terhadap data rekaman yang terpengaruh noise. Agar diketahui batas perbandingan noise dan derau (SNR) yang tidak menyebabkan perubahan ciri. Metodologi yang digunakan dengan membandingkan hasil ekstraksi tanpa noise dengan varian noise, dan diukur perubahan cirinya. Hasil pengujian didapatkan bahwa, untuk nilai SNR antara --5.4078 dB sampai -7.0632 dB, ciri masih dapat dikenali, sedangkan lebih dari -7.0632 dB ciri telah mengalami perubahan.
Analisis Running Time Algoritma MFCC-Multikanal dan MFCC-Dualkanal untuk Ekstraksi Roy Rudolf Huizen; Florentina Tatrin Kurniati
Jurnal Sistem dan Informatika (JSI) Vol 13 No 2 (2019): 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 | Full PDF (769.199 KB)

Abstract

Identifikasi suara prosesnya diawali dengan mengekstraksi sampel kata. Ekstraksi ciri merupakan bagian penting pada pengenalan suara. Fungsinya untuk memperoleh karakteristik pola frekuensi pada setiap kata. Salah satu metode ekstraksi ciri yang andal adalah MFCC (Mel-Frequency Cepstral Coefficients). Metode ini telah banyak dikembangkan guna meningkatkan nilai akurasi. Pengembangan metode terkadang tidak memperhatikan kompleksitas algoritma, namun hanya sebatas nilai akurasi. Agar dapat mengetahui kompleksitas algoritma perlu dilakukan analisis dengan menggunakan uji Big O, yaitu dengan mengukur dalam dimensi waktu (running time). Pada penelitian ini varian MFCC yang akan di analisis adalah MFCC-multikanal dan MFCC dualkanal. Pengujian menggunakan beberapa varian data mulai dari berjumlah 1, 10, 20, 40, 200 dan 400. Hasil pengujian diperoleh untuk varian MFCC multikanal running time terendah adalah 0.0774 detik dan tertinggi 23.7211 detik, sedangkan pada MFCC dualkanal, running time terendah 0.00398 detik dan tertinggi 12.58 detik. Berdasarkan hasil tersebut MFCC multikanal mempunyai running time lebih tinggi dibandingkan MFCC dualkanal. Agar running time tidak terlalu tinggi pengembangan metode MFCC perlu memperhatikan kompleksitas algoritma sehingga nilai akurasi dan kompleksitas dapat selaras.
Optimalisasi Keamanan IoT dan Edge Computing Menggunakan Model Machine Learning Leny Margaretha Huizen; Roy Rudolf Huizen
Jurnal Sistem dan Informatika (JSI) Vol 17 No 2 (2023): Jurnal Sistem dan Informatika (JSI)
Publisher : Direktorat Penelitian,Pengabdian Masyarakat dan HKI - Institut Teknologi dan Bisnis (ITB) STIKOM Bali

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30864/jsi.v17i2.543

Abstract

Penggunaan teknologi berbasis Internet of Things (IoT) telah meningkat pesat berkat revolusi digital dan membawa tantangan keamanan yang signifikan. Pengoptimalan keamanan IoT pada edge computing dengan menerapkan model berbasis machine learning, untuk deteksi dan identifikasi. Metodologi yang digunakan meliputi pengumpulan data dari sensor IoT dan log aktifitas sebagai data, pra-pemrosesan data, serta pelatihan dan validasi model machine learning. Pada penelitian ini, deteksi dan identifikasi serangan menggunakan empat algoritma, yaitu K-Nearest Neighbors (KNN), Support Vector Machines (SVM), Random Forest (RF), dan Decision Trees (DT). Hasil penelitian menunjukkan bahwa model Random Forest (RF) dan Decision Tree (DT) memiliki kinerja terbaik dalam mendeteksi serangan siber, dengan nilai True Positive (TP) yang tinggi dan tingkat kesalahan yang rendah. Evaluasi kinerja berdasarkan metrik Akurasi, Presisi, Recall, dan F1-Score mengonfirmasi bahwa RF dan DT mampu memberikan hasil yang akurat dan andal dalam mendeteksi ancaman. Model Random Forest menunjukkan Akurasi 98,4%, Presisi 98,4%, Recall 83,9%, dan F1-Score 90,5%, sedangkan Decision Tree menunjukkan Akurasi 98,1%, Presisi 90,5%, Recall 83,9%, dan F1-Score 87,1%. Implementasi model machine learning dalam sistem keamanan IoT dan edge computing terbukti tidak hanya meningkatkan keamanan data dan perangkat, tetapi juga memaksimalkan efisiensi operasional dengan kemampuan untuk mempelajari dan beradaptasi dengan pola serangan baru.
Optimalisasi Rekayasa Lalu Lintas Melalui Teknologi Deteksi Objek Huizen, Roy Rudolf
Jurnal Sistem dan Informatika (JSI) Vol 18 No 2 (2024): Jurnal Sistem dan Informatika (JSI)
Publisher : Direktorat Penelitian,Pengabdian Masyarakat dan HKI - Institut Teknologi dan Bisnis (ITB) STIKOM Bali

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30864/jsi.v18i2.605

Abstract

Pertumbuhan populasi dan urbanisasi yang pesat telah menyebabkan peningkatan signifikan dalam jumlah kendaraan, terutama di daerah perkotaan. Kondisi ini memicu berbagai masalah lalu lintas, seperti kemacetan dan polusi udara, yang berdampak negatif pada kehidupan sosial dan ekonomi masyarakat. Untuk mengatasi tantangan ini, diperlukan pendekatan rekayasa lalu lintas berbasis teknologi yang cerdas dan efisien. Penelitian ini membandingkan tiga metode utama—Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF), Decision Tree, dan Random Forest—dalam memprediksi kemungkinan terjadinya kemacetan pada suatu jalan. Menggunakan dataset lalu lintas yang mencakup faktor-faktor seperti volume kendaraan, kecepatan rata-rata, dan kondisi cuaca, setiap metode dilatih dan diuji untuk mengklasifikasikan data lalu lintas menjadi kategori kemacetan atau tidak. Hasil penelitian menunjukkan bahwa Random Forest memiliki performa terbaik, dengan akurasi mencapai 91,06%, precision hingga 83,04%, recall sebesar 91,06%, dan F1-score tertinggi di antara metode yang diuji. Untuk SVM menunjukkan akurasi antara 89,52% hingga 90,04%, dan Decision Tree menunjukkan akurasi antara 87,03% hingga 87,39%. Random Forest menunjukkan keunggulan dalam memprediksi kemacetan lalu lintas dan dapat menjadi solusi andal untuk diterapkan dalam sistem rekayasa lalu lintas berbasis teknologi.
Co-Authors Adi Setiawan Adriani, Ni Putu Erica Puspita Bambang Soedijono Bambang Soedijono W Dadang Hermawan Dadang Hermawan Dadang Hermawan Dandy Hostiadi Dandy Pramana Hostiadi Dandy Pramana Hostiadi Dandy Pramana Hostiadi Daniel HF Manongga Eko Sediyono Erma Sulistyo Rini Erma Sulistyo Rini, Erma Sulistyo Firgiawan Faira Florentina Tatrin Kurniati Gede Angga Pradipta Gede Angga Pradipta, Gede Angga I Gede Edy Artana I Made Darma Susila I Made Darma Susila, I Made Darma I Made Liandana I Wayan Karang Utama Ipango, Rachmad Arissaputra Irwan Sembiring Iwan Setyawan Kadek Eka Sapta W karyanto, Nonot wisnu Leny Margaretha Huizen Lilik Jatmiko Prasetyo Lilis Yuningsih Luh Ayu Martini Made Liandana, Made Mahajaya, Nyoman Sarasuartha Mahendra, Tubagus Manongga, Daniel HF Ni Ketut Dewi Ari Jayanti Nonot Wisnu Karyanto Perimawati, Ni Nyoman Eny Purnama, I Gusti Agung Vony Putra, Andriyan Dwi Putu Desiana Wulaning Ayu Putu Desiana Wulaning Ayu Putu Desiana Wulaning Ayu Rihamzah, Muhamad Rustamaji, Abdullah Saputra, Made Wisnu Adhi Seneng, I Kadek Soedijono W, Bambang Sri Yulianto Joko Prasetyo Sudawati, Luh Dwi Ari Sutarto Wijono W Mega Adhi Agam Pradhana Wiguna, I Wayan Adi Artha Wing Wahyu Winamo Wulaning Ayu, Putu Desiana Yoga, I Gede Dian Permana Yohanes Priyo Atmojo Yohanes Priyo Atmojo Yohanes Priyo Atmojo, Yohanes Priyo