Article Per Year (5 Year)
p-Index From 2021 - 2026
1.619
P-Index
This Author published in this journals
All Journal Insect (Informatics and Security) : Jurnal Teknik Informatika MATRIK : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer Jurnal Bumigora Information Technology (BITe) Prabayaksa: Journal of History Education Taroa : Jurnal Pengabdian Masyarakat SAJARATUN : Jurnal Sejarah dan Pembelajaran Sejarah Scientific Journal of Engineering Research Scientific: Journal of Computer Science and Informatics
Yana Safitri, Yana
Universitas Ahmad Dahlan, Yogyakarta, Indonesia
Religion Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Social Sciences Other

Published : 10 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Scientific: Journal of Computer Science and Informatics

 1 
Analisis Komparatif Tools Forensik Digital dalam Investigasi Jejak Kejahatan pada Aplikasi Pesan Instan: Sebuah Tinjauan Sistematis Safitri, Yana; Muhammad Amirul Mu'min; Galih Pramuja Inngam Fanani
Scientific: Journal of Computer Science and Informatics Vol. 1 No. 2 (2024): Juli 2024
Publisher : Universitas Muhammadiyah Bima

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34304/scientific.v1i2.335

Abstract

Pesatnya penggunaan aplikasi pesan instan dalam kehidupan sehari-hari telah menjadikannya sebagai salah satu sarana potensial dalam aktivitas kriminal digital. Hal ini menimbulkan tantangan serius bagi investigasi forensik digital dalam mengungkap jejak kejahatan yang tersembunyi di dalam aplikasi tersebut. Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap berbagai tools forensik digital yang digunakan untuk mengekstraksi dan menganalisis data dari aplikasi pesan instan. Melalui pendekatan tinjauan sistematis, penelitian ini mengkaji lima tools utama: Cellebrite UFED, Magnet AXIOM, MOBILedit Forensic, XRY, dan Oxygen Forensic. Setiap tools dievaluasi berdasarkan efektivitas ekstraksi data, kecepatan proses, serta kelengkapan informasi forensik yang dihasilkan. Hasil penelitian menunjukkan bahwa tidak ada satu tools yang unggul secara mutlak, namun Cellebrite UFED dan Magnet AXIOM menonjol dalam hal keberhasilan ekstraksi dan kelengkapan metadata. Penelitian ini memberikan kontribusi signifikan dengan menawarkan pemetaan komparatif yang berguna bagi praktisi forensik digital dalam memilih tools yang sesuai dengan kebutuhan investigasi. Dengan pemahaman yang lebih terarah mengenai kekuatan dan keterbatasan masing-masing tools, penelitian ini dapat membantu meningkatkan efisiensi dan akurasi dalam proses penyelidikan digital di era komunikasi terenkripsi saat ini.
Strategi dan Efektivitas Deep Learning untuk Mitigasi Ancaman Keamanan Jaringan di Era IoT Safitri, Yana; Dahlan; Maulana Muhammad Jogo Samodro
Scientific: Journal of Computer Science and Informatics Vol. 2 No. 1 (2025): Januari 2025
Publisher : Universitas Muhammadiyah Bima

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34304/scientific.v1i2.338

Abstract

Pertumbuhan pesat perangkat Internet of Things (IoT) telah membuka peluang besar dalam transformasi digital di berbagai sektor, namun juga menghadirkan tantangan serius terkait keamanan jaringan. Perangkat IoT yang umumnya memiliki kapasitas komputasi terbatas menjadi sasaran empuk bagi berbagai jenis serangan siber. Penelitian ini bertujuan untuk mengevaluasi efektivitas berbagai pendekatan deep learning dalam mendeteksi ancaman keamanan pada jaringan IoT secara otomatis dan adaptif. Metode yang digunakan mencakup eksperimen komparatif terhadap beberapa arsitektur deep learning, seperti Transformer, CNN + LSTM, dan GAN + CNN, dengan memanfaatkan dataset publik UNSW-NB15. Penilaian performa dilakukan menggunakan metrik evaluasi seperti akurasi dan F1-score, serta analisis kemampuan model dalam mendeteksi serangan kompleks seperti DDoS, port scanning, dan serangan zero-day. Hasil penelitian menunjukkan bahwa model Transformer unggul dengan akurasi mencapai 99,1%, sementara model GAN + CNN menunjukkan keunggulan dalam mendeteksi pola serangan baru yang belum dikenali sebelumnya. Model CNN + LSTM juga terbukti efektif dalam menangkap pola spasio-temporal serangan. Penelitian ini memberikan kontribusi signifikan dalam pengembangan sistem deteksi intrusi cerdas berbasis deep learning untuk ekosistem IoT. Temuan ini berpotensi diterapkan pada sistem keamanan jaringan real-time dan berskala besar yang adaptif terhadap ancaman baru.
Co-Authors Abdullayev, Vugar Al-Sabur, Raheem Dahlan Dahmani, Abdennasser Driss, Zied Fathir Fathir Firmansyah Firmansyah Galih Pramuja Inngam Fanani Imam Riadi Imam Riadi Julianti, Pipi Emi Maulana Muhammad Jogo Samudro Muhammad Amirul Mu'min Mu’min, Muhammad Amirul Nani Sulistianingsih Ragimova, Nazila Reka Seprina, Reka Sabarudin Saputra Sa’adati, Yuan Sharkawy, Abdel-Nasser sunardi sunardi Sunardi Sunardi Tri Stiyo Famuji Tristanti, Novi Wijaya, Setiawan Ardi Zumhur Alamin