Article Per Year (5 Year)
p-Index From 2021 - 2026
2.731
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Journal of Information Technology and Computer Science Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Eko Sakti Pramukantoro, Eko Sakti
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 29 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 29 Documents
Search

 1   2   3 
Implementasi Mekanisme End-To-End Security pada IoT Middleware Pramukantoro, Eko Sakti; Bakhtiar, Fariz Andri; Aji, Ahmad Lutfi Bayu; Dewa, Deny Hari Prasetya
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 6 No 3: Juni 2019
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (2383.931 KB) | DOI: 10.25126/jtiik.2019631401

Abstract

Pada penelitian sebelumnya telah dikembangkan sebuah middleware dengan pendekatan event-driven yang mampu mendukung interoperabilitas berbagai macam perangkat sensor pada lingkungan IoT. Namun, skema komunikasi pada middleware tersebut masih terdapat celah keamanan dan menimbulkan ancaman berupa eavasdropping. Solusi dari permasalahan ini adalah menerapakan mekanisme end-to-end security. Dalam penelitian ini dilakukan penerapan algoritme kriptografi AES-CBC 128 pada komunikasi node sensor ke middleware dan mekanisme TLS pada komunikasi middleware dengan aplikasi berbasis IoT. Hasil yang didapat end-to-end security berbasis kriptografi pada pub/sub dapat menjamin kerahasiaan data dengan enkripsi payload akan tetapi topik masih terlihat, sedangkan TLS/SSL menjamin kerahasiaan seluruh data yang dikirim. Penggunaan mekanisme ini tidak berdampak signifikan pada delay pengiriman data, yaitu masih dibawah 1 detik AbstractAn IoT middleware for handling interoperability is proposed in previous works. However, a vulnerability that can lead to the eavesdropping attack exist. there is no security mechanism in the communication system among middleware with other parties like node sensors and subscribers. This research implements the end to end security to the existing IoT middleware.  AES-CBC 128 is used to secure communication between sensor nodes to middleware and used TLS/SLL between middleware and subscriber. The results show both mechanisms can securely communication between middleware and other parties, but AES-CBS can only secure data payload, not entire data. This mechanism has no significant impact on the delay transmission, which is still under 1 second
Implementasi Sensor Polar H10 dan Raspberry Pi dalam Pemantauan dan Klasifikasi Detak Jantung Beberapa Individu Secara Simultan dengan Pendekatan Machine Learning  pramukantoro, eko sakti; Amron, Kasyful; Wardhani, Viera; Kamila, Putri Annisa
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 1: Februari 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20241117716

Abstract

Pengawasan detak jantung umumnya dilakukan secara individual, dalam waktu terbatas, dan memerlukan perangkat medis yang spesifik. Dengan memanfaatkan sensor Polar H10 dan Raspberry Pi penelitian ini mengusulkan sebuah sistem yang mampu memonitor detak jantung beberapa orang sekaligus dalam waktu yang sama. Dalam penelitian ini, kami merekam data detak jantung yang berupa RR Interval dari beberapa subjek secara real-time menggunakan sensor Polar H10. Data tersebut kemudian diprediksi menggunakan model machine learning berbasis random forest yang berjalan pada Raspberry Pi untuk prediksi 5 jenis detak jantung. Selanjutnya kami melakukan pengujian dari segi komputasi, durasi pemantauan, dan jangkauan komunikasi antara sensor Polar H10 dan Raspberry Pi. Hal ini kami lakukan untuk mengetahui kemampuan sistem dalam melakukan pemantauan subjek secara bersamaan dan jangkauan komunikasi. Sehingga subjek yang sedang pantau tidak terpaku dalam satu tempat atau tidak perlu selalu dekat dengan sistem. Hasil dari pengujian yang kami lakukan, dengan satu Raspberry Pi dapat melakukan pemantauan ke 7 pasien sekaligus, dengan rata-rata kecepatan prediksi 0,023 detik terus menerus selama 30 menit. Sedangkan jangkauan komunikasi mencapai 25-meter pada lingkungan tanpa penghalang dan 10-meter pada lingkungan yang terhalang. Dapat disimpulkan sistem yang diusulkan mampu memberikan fleksibilitas pemantauan detak jantung, serta memungkinkan pemeriksaan bebeberapa individu sekaligus dengan durasi yang lama.
Prediksi Detak Jantung Berbasis LSTM pada Raspberry Pi untuk Pemantauan Kesehatan Portabel Zen, Ahmad Foresta Azhar; Pramukantoro, Eko Sakti; Amron , Kasyful; Wardhani, Viera; Kamila, Putri Annisa
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 5: Oktober 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024118015

Abstract

Penyakit kardiovaskular atau cardiovascular disease (CVD) menduduki peringkat teratas penyebab kematian di dunia. Diperkirakan sekitar 17,9 juta jiwa meninggal akibat CVD pada tahun 2019, yang menyumbang sebanyak 32% dari seluruh kematian global. Penting untuk mendeteksi kelainan pada jantung sedini mungkin untuk mencegah kematian karena CVD. Peningkatan kesadaran tentang pentingnya pemantauan kesehatan diri sendiri telah mendorong perkembangan teknologi pemantauan kesehatan portabel. Dalam penelitian ini, kami mengusulkan model prediksi detak jantung berbasis Long Short-Term Memory (LSTM) dengan menggunakan fitur RR-Interval dan mengimplementasikan pada perangkat Raspberry Pi. Model berbasis LSTM merupakan salah satu jenis arsitektur jaringan saraf tiruan yang mampu menangani data berurutan dengan baik, sehingga sangat cocok untuk pemantauan dan prediksi detak jantung yang bersifat sekuensial. Raspberry Pi dikenal karena ukurannya yang kecil, harga yang terjangkau, kinerja yang andal, dan efisiensi komputasi yang baik. Raspberry Pi juga memungkinkan integrasi yang mudah dengan berbagai sensor, menjadikannya solusi yang cocok untuk pemantauan kesehatan yang portabel. Hasil penelitian ini menunjukkan bahwa model klasifikasi yang diusulkan memiliki kinerja yang baik dengan tingkat akurasi mencapai 96,66%. Implementasi inferensi pada Raspberry Pi juga menunjukkan performa yang baik, dengan waktu 4,82 detik untuk melakukan inferensi data sepanjang 100 detik, serta penggunaan memori sebesar 134,8MB.   Abstract Cardiovascular diseases (CVDs) rank as the top cause of global death. An estimated 17.9 million people succumbed to CVDs in 2019, constituting 32% of all global deaths. Detecting heart abnormalities as early as possible is crucial to prevent CVD-related fatalities. The growing awareness of the importance of self-health monitoring has driven the development of portable health monitoring technologies. In this study, we propose a Long Short-Term Memory (LSTM)-based heart beat prediction model using RR-Interval as features  and implement it on the Raspberry Pi device. LSTM models are a type of artificial neural network architecture known for their ability to handle sequential data effectively, making them highly suitable for sequential heart rate monitoring and prediction. The Raspberry Pi is renowned for its compact size, affordability, reliable performance, and efficient computational capabilities. It also enables seamless integration with various sensors, making it an ideal solution for portable health monitoring. This research show that the proposed classification model performs well, achieving an accuracy rate of 96.66%. The implementation of inference on the Raspberry Pi also demonstrates good performance, with an average inference time of 4.82 seconds for processing 100 data points and a memory usage of 134.8MB.
Pengembangan Aplikasi Mobile untuk Mendukung Pengujian Model Klasifikasi Detak Jantung Berbasis Continuous Wavelet Transform dan Convolutional Neural Network Raihan Ghafar, Muhammad; Pramukantoro, Eko Sakti; Arwan, Achmad
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 10 (2025): Oktober 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Aritmia jantung, gangguan irama jantung yang terdeteksi melalui sinyal electrocardiogram (ECG), memerlukan metode klasifikasi akurat dan efisien pada perangkat dengan sumber daya terbatas. Penelitian ini mengembangkan aplikasi mobile Android untuk menguji model klasifikasi sinyal ECG berbasis Continuous Wavelet Transform (CWT) dan Convolutional Neural Network (CNN) yang telah dilatih sebelumnya. Aplikasi ini mendukung pengujian model secara offline dengan mengimpor file sinyal ECG format CSV, memprosesnya menjadi scalogram menggunakan transformasi wavelet, dan mengklasifikasikan hasilnya ke dalam lima kategori aritmia sesuai standar AAMI. Metode yang digunakan meliputi pengembangan aplikasi mobile dengan Kotlin, integrasi model TensorFlow Lite (.tflite), serta implementasi preprocessing CWT yang dioptimalkan untuk perangkat mobile. Pengujian kinerja model dilakukan menggunakan 48 file dari MIT-BIH Arrhythmia Database untuk mengukur waktu inferensi, penggunaan CPU, dan memori. Pengujian fungsionalitas juga dilakukan untuk memastikan seluruh fitur aplikasi berjalan sesuai kebutuhan. Hasil pengujian menunjukkan aplikasi berhasil menjalankan fungsi utama dan mampu mengklasifikasikan aritmia secara offline dengan performa sumber daya yang wajar. Meskipun demikian, confidence pada label non-normal (selain N) masih lebih rendah dibandingkan pengujian desktop, mengindikasikan perlunya optimasi preprocessing dan inferensi pada perangkat mobile. Penelitian ini membuktikan kelayakan pengujian model klasifikasi ECG secara offline pada perangkat Android, membuka peluang pengembangan aplikasi deteksi aritmia mobile berbasis edge computing.
Implementasi Sistem Deteksi Serangan Pada Website Berbasis WordPress Secara Realtime Menggunakan Apache Kafka Rafi Faisal, Muhammad; Pramukantoro, Eko Sakti; Data, Mahendra
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 11 (2025): November 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Perkembangan teknologi digital mendorong meningkatnya kebutuhan masyarakat akan akses informasi yang cepat dan efisien. WordPress hadir sebagai solusi favorit dari hal tersebut. Namun, website berbasis WordPress juga menjadi salah satu target utama serangan siber karena banyaknya plugin dan tema yang rentan terhadap eksploitasi. Penelitian sebelumnya oleh Purwidyantoro (2025) telah berhasil mengembangkan sistem klasifikasi serangan menggunakan machine learning berbasis log ModSecurity. Namun, sistem tersebut masih menggunakan pendekatan batch processing, di mana proses inferensi dilakukan secara berkala dan tidak secara langsung ketika log baru tercatat. Keterbatasan ini memberikan celah waktu bagi penyerang untuk melancarkan aksinya sebelum deteksi dilakukan. Sebagai pengembangan dari pendekatan tersebut, penelitian ini bertujuan mengembangkan sistem deteksi serangan secara real-time berbasis log web server dengan memanfaatkan arsitektur pemrosesan data streaming menggunakan Apache Kafka. Sistem ini mengintegrasikan model klasifikasi Decision Tree yang telah dilatih untuk mengenali berbagai jenis serangan terhadap WordPress, seperti SQL Injection, Cross-Site Scripting (XSS), Remote Code Execution (RCE), dan File Inclusion. Log serangan dikirim secara streaming menggunakan Kafka Producer dan diterima oleh Kafka Consumer, yang kemudian memproses log, mengklasifikasikan, serta mengirimkan peringatan melalui Telegram secara otomatis apabila serangan terdeteksi. Evaluasi dilakukan terhadap 11 skenario serangan yang mencakup 6 jenis ancaman umum. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi 10 dari 11 skenario dengan akurasi 100% pada masing-masing 20 payload serangan. Namun, serangan Local File Inclusion (LFI) gagal terdeteksi, yang menunjukkan perlunya perbaikan pada tahapan pelabelan data atau preprocessing. Dari sisi performa, Kafka Producer mampu mencapai throughput 94,37 KB/s, sementara Kafka Consumer hanya 6,36 KB/s, dengan rata-rata latency 13,5 detik. Bottleneck terjadi di sisi consumer akibat beban proses klasifikasi dan pengiriman notifikasi. Penggunaan sumber daya juga menunjukkan perbedaan signifikan: Kafka Producer hanya memerlukan 0,2% CPU dan 27 MB memori, sedangkan Kafka Consumer memerlukan 4,1% CPU dan 131 MB memori. Temuan ini menunjukkan bahwa sistem deteksi yang dikembangkan mampu memberikan deteksi serangan secara lebih cepat dan efisien dibandingkan metode batch sebelumnya, sehingga lebih adaptif terhadap ancaman siber yang bersifat real-time.
Implementasi Conditional Variational Autoencoder Pada Autentikasi Biometrik Berbasis PPG Alamsyah, Muhammad Alfaiz Khalifah; Pramukantoro, Eko Sakti; Fauzi, Muhammad Ali
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 01 (2026): Januari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penggunaan biometrik sebagai metode autentikasi mempunyai kelebihan dari sisi personalisasi dan minimnya resiko pemalsuan dibandingkan metode autentikasi tradisional. Salah satu metode biometrik yang banyak diteliti dan dikembangkan adalah photoplethysmography atau PPG yang populer digunakan karena biaya sensornya yang relatif rendah, implementasi yang sederhana, serta keamanannya yang tinggi. Akan tetapi, PPG memiliki beberapa kelemahan di antaranya adalah kesulitan mengidentifikasi pengguna di luar kondisi steril, rentan terhadap motion artifacts, serta kesulitan untuk mengidentifikasi user baru. Salah satu cara untuk menanggulangi berbagai kekurangan dalam PPG adalah dengan mengolah data PPG yang masuk menggunakan machine learning atau deep learning. Salah satu metode deep learning yang layak untuk dipertimbangkan adalah Conditional Variational Autoencoder atau CVAE. Dalam paper ini, penulis menggagas sebuah metode autentikasi berbasis sinyal PPG yang diproses dengan CVAE untuk membentuk representasi biometrik. Hasil representasi ini kemudian akan disimpan di database dan akan dilakukan pengujian dengan sistem autentikasi yang kemudian diukur dengan berbagai matrik.  Hasil penelitian menunjukkan CVAE mampu mengekstraksi karakteristik biometrik individu secara efektif pada kondisi pengujian yang terkontrol. Akan tetapi, hasil pengujian pada sistem autentikasi menunjukkan performa yang jauh lebih rendah, menunjukkan implementasi autentikasi secara real-time masih menghadapi tantangan signifikan. Hasil penelitian mengindikasikan bahwa performa sistem sangat dipengaruhi oleh kualitas sinyal, konsistensi preprocessing, serta perbedaan pipeline pemrosesan data. Penelitian selanjutnya disarankan untuk menerapkan pipeline preprocessing yang benar-benar konsisten antara pemrosesan data offline dan pemrosesan data real-time.
Analisis Performa QoS Varian ESP32 dan Raspberry Pi pada Jaringan Starlink Menggunakan Protokol TCP dan UDP Atarian, Tiara Calista Kusumawardani; Amron, Kasyful; Pramukantoro, Eko Sakti
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 01 (2026): Januari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Konektivitas jaringan masih menjadi tantangan utama dalam penerapan IoT di wilayah terpencil. Jaringan satelit Starlink menawarkan solusi alternatif dengan latency rendah dan cakupan luas, namun karakteristiknya yang dinamis menuntut pengujian performa komunikasi pada perangkat IoT. Perbedaan kemampuan pemrosesan dan implementasi protokol jaringan pada perangkat IoT berpotensi menghasilkan performa yang tidak seragam, sehingga diperlakukan pengujian dengan variasi perangkat. Penelitian ini menganalisis performa QoS jaringan Starlink pada perangkat ESP32, ESP32-C6, Raspberry Pi Zero, dan Raspberry Pi 3 B+ menggunakan protokol TCP dan UDP. Pengujian dilakukan menggunakan iPerf2 dan ping untuk memperoleh parameter throughput, latency, jitter, dan packet loss. Hasil penelitian menunjukkan bahwa performa QoS pada jaringan Starlink sangat dipengaruhi oleh kapabilitas internal perangkat dan protokol komunikasi yang digunakan. Pada protokol TCP, ESP32 dan ESP32-C6 menunjukkan throughput terbatas 2–4 Mbps akibat keterbatasan buffer dan kemampuan pemrosesan, sedangkan Raspberry Pi Zero dan Raspberry Pi 3 B+ mampu mencapai throughput yang lebih stabil sekitar 4–7 Mbps. Pada protokol UDP, ESP32 dan ESP32-C6 menghasilkan throughput tinggi hingga 20–30 Mbps, namun disertai packet loss ekstrem sebesar 65–96% sehingga tidak merepresentasikan goodput. Sebaliknya, Raspberry Pi mampu mempertahankan throughput sesuai target iPerf2 dengan packet loss mendekati nol. Nilai latency seluruh perangkat berada pada kisaran 68–96 ms dengan jitter di bawah 12 ms. Secara keseluruhan, protokol TCP lebih konsisten dan direkomendasikan untuk perangkat IoT, sedangkan performa UDP sangat bergantung pada kemampuan pemrosesan perangkat.
Evaluasi Fitur Akustik dan Augmentasi Data pada Model Deep Learning untuk Deteksi Emosi Berbasis Audio shihab, luqman; Abdurrachman Bachtiar, Fitra; Pramukantoro, Eko Sakti
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 13 (2026): Publikasi Khusus Tahun 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

naskah ini akan ditampilkan pada ICOMIT2026
Implementasi Sistem Inferensi Detak Jantung Berbasis Long Short-Term Memory (LSTM) pada Perangkat Mobile Fadilah Mi'roj, Muhammad; Pramukantoro, Eko Sakti; Kurnianingtyas, Diva
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 3 (2026): Maret 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penyakit kardiovaskular masih menjadi salah satu penyebab utama kematian secara global, sehingga mendorong pengembangan sistem pemantauan detak jantung berbasis elektrokardiogram (ECG) yangmampu beroperasi secara real-time. Perkembangan perangkat mobile dan wearable menjadikan pendekatan on-device inference semakin relevan karena dapat menurunkan latensi, mengurangi ketergantungan jaringan, serta menjaga privasi data. Namun, sebagian besar penelitian klasifikasi detak jantung berbasis machine learning masih berfokus pada akurasi model, sementara evaluasi kinerja komputasi sistem inferensi ECG pada perangkat mobile masih terbatas. Penelitian ini bertujuan untuk merancang dan mengevaluasi kinerja sistem inferensi detak jantung real-time berbasis stream processing yang dijalankan secara on-device pada perangkat Android. Sistem menggunakan data ECG dari sensor Polar H10 dan memanfaatkan model Long Short-Term Memory (LSTM) terlatih dari penelitian sebelumnya yang dikonversi ke format TensorFlow Lite. Pengembangan dilakukan dengan pendekatan prototyping iteratif, mencakup akuisisi sinyal ECG, preprocessing, deteksi R-peak,segmentasi detak jantung, serta proses inferensi. Evaluasi kinerja difokuskan pada parameter waktu inferensi, penggunaan CPU, penggunaan memori (RAM), dan throughput sistem. Hasil eksperimenmenunjukkan waktu inferensi rata-rata sebesar 34,79 ms, penggunaan RAM sebesar 13,04 MB, penggunaan CPU sebesar 17,05%, serta throughput sebesar 1,65 inferensi per detik. Temuan ini memberikan gambaran empiris mengenai kelayakan dan karakteristik kinerja sistem inferensi detak jantung real-time berbasis machine learning pada perangkat mobile.
Co-Authors Abdurrachman Bachtiar, Fitra Achmad Arwan Achmad Basuki Agi Putra Kharisma, Agi Putra Aji, Ahmad Lutfi Bayu Alamsyah, Muhammad Alfaiz Khalifah Alvaro, Archangela Muhammad Amron , Kasyful Ar - Raffly, Muhammad Rifqi Arini, Sukma Atarian, Tiara Calista Kusumawardani Azzahra, Daniswari Yurin Bakhtiar, Fariz Andri Bayu Priyambadha Dany Primanita Kartikasari Dewa, Deny Hari Prasetya Djajalaksana, Susanthy Fadilah Mi'roj, Muhammad Kabisat, Aldiansyah Satrio Kamila, Putri Annisa Kasyful Amron Kurnianingtyas, Diva M. Ali Fauzi Mahendra Data Mahfudzi, Nabillah Azzam Luthfi Narendra, Daffa Putra Nugraha, Yudhana Eka Purwidyantoro, Adhiyaksa Ramadhana Rafi Faisal, Muhammad Raihan Ghafar, Muhammad Rizky, Audhinata Bebytama Rudianto, Amadeo Muhammad Augie Setiyono, Bagus Aji Pamungkas shihab, luqman Trisnawan, Primantara Hari Utaminingrum, Fitri Viera Wardhani Wahyu Tejakusuma, Wahyu Wicaksono, Bagoes Sandy Widhi Yahya Zen, Ahmad Foresta Azhar