Article Per Year (5 Year)
p-Index From 2021 - 2026
2.702
P-Index
This Author published in this journals
All Journal bit-Tech Abdi Jurnal Publikasi OKTAL : Jurnal Ilmu Komputer dan Sains AMMA : Jurnal Pengabdian Masyarakat JRIIN :Jurnal Riset Informatika dan Inovasi APPA : Jurnal Pengabdian Kepada Masyarakat
Rahmawati
Universitas Pamulang
Humanities Astronomy Chemistry Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Medicine & Pharmacology Nursing Social Sciences Other

Published : 20 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 20 Documents
Search

 1   2 
Deteksi Dini Ancaman Malware pada OS Windows di Indonesia Menggunakan Analisis Data PE Header Berbasis Algoritma Random Forest Angga Ginanjar; Lyra Kudunga; Ilham; Mutiara Laela Sukartini; Rizkyanti Ajeng Trias Marani; Rahmawati
Jurnal Riset Informatika dan Inovasi Vol 4 No 5 (2026): JRIIN : Jurnal Riset Informatika dan Inovasi (INPRESS)
Publisher : shofanah Media Berkah

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

Abstract

Perkembangan infrastruktur digital di Indonesia berbanding lurus dengan meningkatnya risiko serangan siber, khususnya ancaman malware yang menargetkan sistem operasi Windows sebagai platform paling dominan. Teknik deteksi tradisional yang berbasis signature-based terbukti kurang efektif menghadapi malware varian baru atau serangan zero-day. Oleh karena itu, penelitian ini bertujuan untuk membangun sebuah sistem deteksi dini malware pada OS Windows melalui analisis data Portable Executable (PE) Header menggunakan algoritma Machine Learning Random Forest. Dataset yang digunakan mencakup 19.611 sampel file PE (14.599 malware dan 5.012 file aman/benign) dengan 78 fitur teknis header. Tahapan metodologi meliputi pembersihan data, pengisian missing values secara median, ekstraksi fitur dominan, serta pembagian data training dan testing sebesar 80:20. Hasil pengujian menunjukkan bahwa model Random Forest mampu mendeteksi ancaman malware dengan tingkat akurasi yang sangat impresif mencapai 99,13%, dengan presisi 1.00% untuk file benign dan recall 1.00% untuk file malware. Fitur PE Header yang paling berpengaruh secara signifikan dalam proses klasifikasi adalah MajorLinkerVersion (8,34%), MinorOperatingSystemVersion (8,02%), dan MajorSubsystemVersion (7,45%). Penelitian ini membuktikan bahwa analisis PE Header yang dikombinasikan dengan algoritma Random Forest dapat diandalkan sebagai mekanisme pertahanan dini yang responsif dan akurat untuk memperkuat ketahanan siber nasional di Indonesia.
Analisis dan Prediksi Penghasilan Profesi IT Menggunakan Linear Regression dengan Library Python Alfreza Routya Faizan; Arijal Pratama; Dila Kartika Putri; Fadhil Nata Pratama; Reza Alifia Pratama; Verrel Aulia Rahman; Rahmawati
Jurnal Riset Informatika dan Inovasi Vol 4 No 5 (2026): JRIIN : Jurnal Riset Informatika dan Inovasi (INPRESS)
Publisher : shofanah Media Berkah

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

Abstract

Perkembangan teknologi informasi, khususnya pada bidang Artificial Intelligence (AI), Machine Learning (ML), dan Data Science, telah meningkatkan kebutuhan tenaga kerja profesional yang memiliki kompetensi tinggi. Informasi mengenai tingkat penghasilan pada berbagai profesi IT menjadi penting untuk memahami tren kompensasi serta membantu individu dalam menentukan perencanaan karier. Penelitian ini bertujuan untuk menganalisis distribusi gaji berdasarkan kategori profesi IT serta melakukan prediksi penghasilan menggunakan algoritma Linear Regression berbasis Python. Dataset yang digunakan adalah AI Jobs Salary Dataset yang diperoleh dari repositori GitHub foorilla/ai-jobs-net-salaries. Tahapan penelitian meliputi pengumpulan data, preprocessing, exploratory data analysis (EDA), encoding data, pelatihan model, evaluasi model, dan prediksi. Hasil penelitian menunjukkan bahwa kategori Engineer memiliki rata-rata gaji tertinggi sebesar USD 174.215 atau 18,85% dari total rata-rata gaji seluruh kategori profesi yang dianalisis. Hasil tersebut menunjukkan bahwa profesi yang berfokus pada pengembangan sistem dan teknologi tingkat lanjut cenderung memperoleh kompensasi yang lebih tinggi dibandingkan kategori profesi lainnya.
Analisis Etika Komentar Youtube tentang Program Makanan Bergizi Gratis Menggunakan Support Vector Machine (SVM) Dian Nurul Iman; Gideon Triman Harefa; Muhammad Ajie Kurniawan; Reza Pratama; Shahrudin; Sukron Ma’mum; Rahmawati
Jurnal Riset Informatika dan Inovasi Vol 4 No 5 (2026): JRIIN : Jurnal Riset Informatika dan Inovasi (INPRESS)
Publisher : shofanah Media Berkah

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

Abstract

Platform digital, YouTube khususnya−kini menjadi arena utama ekspresi publik terhadap berbagai kebijakan pemerintah, tak terkecuali Program Makanan Bergizi Gratis (MBG). Sayangnya, keterbukaan ruang tersebut tidak selalu diiringi kualitas komunikasi yang baik; ujaran kebencian, kata-kata kotor, dan penyebaran hoaks kerap mewarnai kolom komentar. Penelitian ini membangun sistem klasifikasi komentar YouTube seputar Program MBG ke dalam dua kelas yaitu "Etis" dan "Tidak Etis" dengan mengandalkan algoritma Support Vector Machine (SVM) berkernal RBF. Sebanyak 6.419 komentar dikumpulkan melalui scraping YouTube API pada periode April 2025 sampai Maret 2026. Pelabelan awal memanfaatkan pendekatan Lexicon-Based yang berpijak pada kamus kata tidak etis berbahasa Indonesia. Rangkaian pra-pemrosesan mencakup case folding, cleansing, tokenisasi, stopword removal, dan stemming dengan pustaka Sastrawi, sedangkan ekstraksi fitur dilakukan menggunakan TF-IDF. Model yang dihasilkan mencapai akurasi 96%, dengan 94,18% komentar masuk kategori "Etis" (5.992 komentar) dan 5,82% masuk kategori "Tidak Etis" (370 komentar). Temuan ini diharapkan dapat menjadi pijakan bagi pengembangan sistem moderasi konten otomatis untuk teks berbahasa Indonesia.
Analisis Sentimen dan Deteksi Cyberbullying pada X dan Instagram Menggunakan Metode Natural Language Processing (NLP) Dani Ramdani; Heliota Agung Christiesta; Julya Rahmah Shanty; Muhammad Sahril; Siti Andiani; Rama Ghazi Ginastio; Rahmawati
Jurnal Riset Informatika dan Inovasi Vol 4 No 3 (2026): JRIIN : Jurnal Riset Informatika dan Inovasi (INPRESS)
Publisher : shofanah Media Berkah

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

Abstract

Pesatnya perkembangan media sosial di Indonesia—yang kini memiliki penetrasi pengguna sebesar 64,3% dari total populasi atau sepadan dengan kepadatan lalu lintas di Jakarta pada jam sibuk—membawa dampak negatif berupa peningkatan kasus perundungan siber (cyberbullying). Penelitian ini bertujuan untuk menganalisis sentimen masyarakat dan mengklasifikasikan tindakan cyberbullying pada platform media sosial menggunakan pendekatan Natural Language Processing (NLP) (proses komputasi untuk memahami dan menganalisis bahasa manusia). Data mentah berupa teks dari media sosial melalui tahapan text preprocessing yang ketat, meliputi cleansing, tokenization, stopword removal, dan stemming. Fitur teks diekstraksi menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF) (pembobotan kata berdasarkan frekuensi kemunculannya dalam dokumen) dan diklasifikasikan menggunakan algoritma Machine Learning. Hasil pengujian menunjukkan bahwa model klasifikasi berhasil mengidentifikasi ujaran perundungan dengan tingkat akurasi mencapai 89%, sebuah performa yang sebanding dengan ketepatan seorang ahli bahasa dalam mendeteksi sarkasme. Kontribusi penelitian ini memberikan visualisasi pola perundungan siber yang dapat digunakan oleh pengembang platform dan pembuat kebijakan untuk mendeteksi konten toksik secara otomatis dan preventif.
Deteksi Dini Website Phising Berbasis Karakteristik URL Menggunakan Algoritma Random Forest sebagai Upaya Penegakan Keamanan Siber Muhammad Faqih Alharits; Hanif Maulana Ar Rasyid; Rifky Firmansyah; Abdullah Rendra Zuriansyah; Ardiansyah Maulana; Firza Aditiya Ardiansah; Rahmawati
Jurnal Riset Informatika dan Inovasi Vol 4 No 4 (2026): JRIIN : Jurnal Riset Informatika dan Inovasi (INPRESS)
Publisher : shofanah Media Berkah

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

Abstract

Phising merupakan salah satu ancaman keamanan siber yang paling merugikan, dengan modus menyamar sebagai website terpercaya untuk mencuri data sensitif pengguna. Penleitian ini mengembangkan sistem deteksi dini phising website berbasis karakteristik URL menggunakan algoritma Random Forest. Dataset yang digunakan terdiri dari 10.000 sampel URL (50% legitimate, 50% phising) dengan 48 fitur berbasis karakteristik URL. Model baseline Random Forest mencapai akurasi 98,55%, presisi 98,60%, recall 98,50%, F1-score 98,55%, dan AUC-ROC 99,09%. Hyperparameter tuning menggunakan RandomizedSearchCV menghasilkan model dengan performa serupa namun sedikit lebih rendah pada recall (98,20%). Analisis feature importance menunjukkan bahwa PctExtHyperlinks (20,69%), PctExtNullSelfRedirectHyperlinksRT (16,77%), dan FrequentDomainNameMismatch (7,78%) merupakan fitur paling informatif. Kajian etika profesi dilakukan terhadap implikasi false positive dan false negative, tanggung jawab profesional pengembang, serta kepatuhan terhadap regulasi Indonesia (UU ITE, UU PDP No. 27 Tahun 2022). Penelitian ini menunjukkan bahwa pendekatan machine learning berbasis Random Forest efektif untuk deteksi phishing dan dapat berkontribusi pada penegakan keamanan siber di Indonesia.
Deteksi Ujaran Kebencian Berbahasa Indonesia pada Media Sosial X Menggunakan Metode Support Vector Machine (SVM) Ricky Tri Setiawan Putra; Mochamad Rafly Thabroni; Lalu Akbar Prayudi; Tyas Fachri Ramdhani; Muhamad Fiqih; Panri Budiman Nadapdap; Rahmawati
Jurnal Riset Informatika dan Inovasi Vol 4 No 4 (2026): JRIIN : Jurnal Riset Informatika dan Inovasi (INPRESS)
Publisher : shofanah Media Berkah

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

Abstract

Perkembangan media sosial telah mengubah pola komunikasi masyarakat dengan menyediakan sarana pertukaran informasi dan penyampaian pendapat secara cepat melalui platform digital. Di balik kemudahan tersebut, peningkatan aktivitas pengguna media sosial juga diikuti oleh maraknya penyebaran ujaran kebencian yang berpotensi menimbulkan diskriminasi, intoleransi, maupun konflik sosial. Salah satu platform yang banyak digunakan untuk menyampaikan opini publik adalah Twitter atau X, sehingga platform ini menjadi sumber data yang relevan untuk penelitian deteksi ujaran kebencian. Penelitian ini bertujuan mengidentifikasi konten ujaran kebencian pada tweet berbahasa Indonesia dengan memanfaatkan algoritma Support Vector Machine (SVM). Dataset yang digunakan diperoleh dari Kaggle dan terdiri atas 13.169 tweet berbahasa Indonesia. Tahapan penelitian meliputi preprocessing data, pembobotan fitur menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF), proses klasifikasi menggunakan SVM, serta evaluasi model melalui metrik accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model menghasilkan accuracy sebesar 65,79%, precision sebesar 10,43%, recall sebesar 61,66%, dan F1-score sebesar 17,84%. Berdasarkan hasil tersebut, algoritma SVM memiliki kemampuan untuk digunakan dalam proses klasifikasi ujaran kebencian pada media sosial.
Implementasi Algoritma Naive Bayes dalam Identifikasi Berita Hoaks pada Portal Berita Online Indonesia Abdul Hanif; Kezia Sagita Octaviani; Ris Naia Natasya; Saldy Saputra; Zesi Yaqumi; Rahmawati
Jurnal Riset Informatika dan Inovasi Vol 4 No 5 (2026): JRIIN : Jurnal Riset Informatika dan Inovasi (INPRESS)
Publisher : shofanah Media Berkah

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

Abstract

Penyebaran disinformasi dan berita hoaks di media digital merupakan tantangan besar bagi integritas informasi dan stabilitas sosial. Penelitian ini bertujuan untuk mengimplementasikan algoritma Machine Learning berbasis Multinomial Naive Bayes dalam mengidentifikasi berita hoaks secara otomatis dengan memanfaatkan komparasi karakteristik teks dari portal berita resmi Kompas Indonesia dan pangkalan data TurnBackHoax (MAFINDO). Dataset yang digunakan dalam penelitian ini berjumlah 2.000 artikel berita, yang terdiri atas 1.000 artikel berita valid dari Kompas Indonesia (representasi fakta) dan 1.000 artikel dari TurnBackHoax (representasi hoaks). Proses ekstraksi fitur dilakukan menggunakan metode Term Frequency - Inverse Document Frequency (TF-IDF). Berdasarkan pembagian data uji sebesar 20% (400 artikel), algoritma Naive Bayes sukses membukukan akurasi performa yang tinggi sebesar 94%. Hasil analisis leksikal membuktikan adanya perbedaan pola bahasa yang tajam, di mana berita resmi Kompas didominasi oleh kosakata informatif struktural, sedangkan teks hoaks didominasi oleh entitas media sosial dan klaim visual manipulatif. Penelitian ini menyimpulkan bahwa klasifikasi berbasis Naive Bayes sangat efisien dan adaptif untuk diintegrasikan sebagai sistem penyaringan hoaks otomatis skala besar di Indonesia.
Implementasi Metode Naive Bayes untuk Klasifikasi Berita Palsu dan Asli pada Platform Media Online Alpian Maulana; Arjuna Ranma Putra; Diski Bima Pradana; Firmansyah Surya Kusuma; Muhammad Ali Sodikin; Rahmawati
Jurnal Riset Informatika dan Inovasi Vol 4 No 5 (2026): JRIIN : Jurnal Riset Informatika dan Inovasi (INPRESS)
Publisher : shofanah Media Berkah

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

Abstract

Maraknya penyebaran berita hoaks di ruang digital menimbulkan dampak sosial yang serius bagi khalayak luas. Penelitian ini merancang dan menguji sistem klasifikasi berita berbasis Multinomial Naive Bayes dengan memanfaatkan dataset Fake and Real News yang bersumber dari Kaggle, mencakup 44.919 artikel yang terbagi atas 23.502 berita palsu dan 21.417 berita terverifikasi. Proses pengolahan data meliputi serangkaian tahapan, yaitu penyeragaman huruf (case folding), pemecahan teks menjadi token (tokenisasi), eliminasi kata umum (stopword removal), dan normalisasi kata ke bentuk dasar (lemmatization). Representasi fitur dilakukan melalui pembobotan TF-IDF, sedangkan pembagian data menggunakan rasio 80:20 antara data latih dan data uji. Evaluasi menunjukkan performa model yang tinggi, dengan akurasi 93,52%, presisi 94%, recall 93%, dan F1-Score 94%, membuktikan bahwa pendekatan Naive Bayes layak diterapkan sebagai solusi deteksi berita palsu berbasis kecerdasan buatan.
Penerapan Algoritma Naive Bayes untuk Deteksi Website Phishing Berbasis Fitur URL dan Konten Andika Arya Pratama; Aqidatul Nur Robby; Fready Anggara; Jordi Ricaldo; Mohamad Ryan Syekhan Ramadan; Rahmawati
Jurnal Riset Informatika dan Inovasi Vol 4 No 6 (2026): JRIIN : Jurnal Riset Informatika dan Inovasi (INPRESS)
Publisher : shofanah Media Berkah

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

Abstract

Ancaman siber berupa phishing terus berkembang dan menjadi salah satu metode kejahatan digital paling merugikan di era internet. Website phishing dirancang untuk menipu pengguna agar menyerahkan informasi sensitif seperti kredensial akun, data perbankan, maupun informasi pribadi. Penelitian ini mengimplementasikan algoritma Categorical Naive Bayes untuk mengklasifikasikan website phishing berbasis fitur URL dan konten halaman web. Dataset yang digunakan adalah Phishing Websites Dataset dari UCI Machine learning Repository yang memuat 11.055 instance dengan 30 fitur kategorikal. Data dibagi dengan rasio 80:20 untuk data latih dan data uji. Hasil penelitian menunjukkan bahwa model Categorical Naive Bayes mencapai akurasi 92,94% pada data uji, dengan Precision rata-rata 0,93, Recall rata-rata 0,93, dan F1-Score rata-rata 0,93. Selisih akurasi antara data latih (92,99%) dan data uji (92,94%) hanya sebesar 0,05%, yang mengindikasikan bahwa model tidak mengalami overfitting dan memiliki kemampuan generalisasi yang sangat baik. Algoritma Naive Bayes terbukti merupakan pilihan yang efektif dan efisien untuk deteksi phishing pada data fitur bertipe kategorikal dengan biaya komputasi yang rendah.
Pengembangan Sistem Presensi Online Berbasis Web Dengan Validasi Lokasi Menggunakan GPS dan Haversine Formula Desi Anita; Rahmawati
OKTAL : Jurnal Ilmu Komputer dan Sains Vol 4 No 12 (2025): OKTAL : Jurnal Ilmu Komputer Dan Sains
Publisher : CV. Multi Kreasi Media

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

Abstract

Effective employee attendance management is essential for improving productivity and human resource governance. PT. Bravo Sekuriti Indonesia still uses a manual attendance method through signatures on attendance forms, which is considered inefficient and prone to recording errors. This study develops a Web-Based Online Attendance System with location validation using GPS and the Haversine Algorithm to ensure that employees can only record attendance within a predetermined radius. The system is also equipped with online leave, permission, and sick-leave submission features with a digital approval workflow. The test results show that the system performs well, reduces data manipulation, and improves administrative efficiency. The System Usability Scale (SUS) score of 85.83 indicates that the system is easy to use and well accepted by users.
Co-Authors Abdul Hanif Abdullah Rendra Zuriansyah Afra Anggita Salsabila Agus Salam Nur Ahmad Farhan Alfreza Routya Faizan Ali Azun Manalu Alpian Maulana Andika Arya Pratama Andre Nur Setiawan Angga Ginanjar Angga Suryadi Apriyansyah Aqidatul Nur Robby Ardiansyah Maulana Arijal Pratama Arjuna Ranma Putra Azzani Nurfadia Rizky Dani Ramdani David Rizky Lotuna Deni Setiawan Desi Anita Dian Nurul Iman Dila Kartika Putri Diski Bima Pradana Elyananda Subroto Emison Wonda Fadhil Nata Pratama Faisal Aditya Pratama Fathur Nurrohman Fijriani Silviana Firmansyah Surya Kusuma Firza Aditiya Ardiansah Fready Anggara Geraldo Sabila Firdaus Ghufron Malik Azizi Gideon Triman Harefa Gunawan Muslimin Hanif Maulana Ar Rasyid Heliota Agung Christiesta Hendra Ferdi Ferdianata Honorisaman Sarumaha Ilham Jefi Eliel Tigor Tampubolon Jidhan Hartanto Jordi Ricaldo Joseph Marsiano Julya Rahmah Shanty Kahfi Ahmad Arpiandi Kezia Sagita Octaviani Kurnia Naradinata Lalu Akbar Prayudi Lyra Kudunga Mia Septiana Wambrauw Mochamad Rafly Thabroni Mohamad Ryan Syekhan Ramadan Muh. Asrul Mulis Muhamad Fiqih Muhammad Ajie Kurniawan Muhammad Aldhito Firlata Muhammad Ali Sodikin Muhammad Faqih Alharits Muhammad Ikhwan Muhammad Karifki Muhammad Naufal Mufid Muhammad Risky Supandi Muhammad Sahril Muhammad Wahyu Muges Murni Mutiara Laela Sukartini Nanang Nanang Nor Intan Maemun Panri Budiman Nadapdap Rama Ghazi Ginastio Ramadan Tipalahi Ramadhandi Arya Rendi Dwi Santoso Reza Alifia Pratama Reza Pratama Ria Rizkika Ricky Tri Setiawan Putra Ridwan Firdaus Haryono Rifky Firmansyah Ris Naia Natasya Rivan Saputra Rizkyanti Ajeng Trias Marani Saldy Saputra Satria Andikah Putra Shahrudin Sherly Septiani Siti Andiani Sukma Manggar Suci Putri Sukron Ma’mum Supiyan, Dede Teguh Arifin Tyas Fachri Ramdhani Verrel Aulia Rahman Yusuf Arif Rahman Zesi Yaqumi