Article Per Year (5 Year)
p-Index From 2021 - 2026
4.05
P-Index
This Author published in this journals
All Journal Syntax Jurnal Informatika TELKOMNIKA (Telecommunication Computing Electronics and Control) Jurnal Sistem dan Informatika JIKO (Jurnal Informatika dan Komputer) Informatika Pertanian Jurnal Sains dan Informatika JOURNAL OF APPLIED INFORMATICS AND COMPUTING SELAPARANG: Jurnal Pengabdian Masyarakat Berkemajuan Jurnal Informatika Universitas Pamulang Jurnal Sisfokom (Sistem Informasi dan Komputer) JUTIM (Jurnal Teknik Informatika Musirawas) J-SAKTI (Jurnal Sains Komputer dan Informatika) EDUMATIC: Jurnal Pendidikan Informatika MULTINETICS JISKa (Jurnal Informatika Sunan Kalijaga) JATI (Jurnal Mahasiswa Teknik Informatika) Abdimasku : Jurnal Pengabdian Masyarakat Jurnal Teknologi Informatika dan Komputer Jurnal Ilmiah Wahana Pendidikan International Journal of Basic and Applied Science J-SAKTI (Jurnal Sains Komputer dan Informatika) CEBONG Journal Jurnal Informatika Polinema (JIP) Jurnal Sistem Informasi dan Aplikasi
Budi Arif Dermawan
Universitas Singaperbangsa Karawang
Religion Agriculture, Biological Sciences & Forestry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Medicine & Pharmacology Nursing Physics Public Health Social Sciences Other

Published : 34 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 34 Documents
Search

 1   2   3   4 
Analisis Sentimen Ulasan Aplikasi M-Pajak pada Google Play Store Menggunakan XGBoost Aurelly Claudia Budianto, Theresia; Arif Dermawan, Budi; Jajuli, Mohamad
Jurnal Sistem Informasi dan Aplikasi (JSIA) Vol 3 No 1 (2025): Vol 3 No 1 (Jurnal Sistem Informasi dan Aplikasi)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/jsia.v3i1.12440

Abstract

Pada era digital ini, aplikasi M-Pajak menjadi inovasi pemerintah Indonesia yang bertujuan memudahkan wajib pajak dalam memenuhi kewajiban perpajakan secara online. Meskipun telah diunduh lebih dari satu juta kali, aplikasi ini masih menghadapi berbagai kendala teknis yang tercermin dari rendahnya rating di Google Play Store. Penelitian ini bertujuan untuk mengidentifikasi fitur-fitur yang paling banyak mendapat kritik negatif dari para pengguna. Berdasarkan hasil analisis, fitur yang paling banyak menerima kritik negatif yaitu terkait proses login dan verifikasi efin. Hal ini menunjukkan bahwa kendala teknis dan administratif masih menjadi kendala utama dalam pengalaman pengguna aplikasi. Metode yang digunakan adalah Knowledge Discovery in Database (KDD) dengan algoritma XGBoost sebagai klasifikasi model. Dengan menggunakan Stratified K-Fold untuk membagi data, model memperoleh akurasi sebesar 95%, dan saat diuji menggunakan data baru yang berbeda dari data pelatihan, model menghasilkan akurasi sebesar 93%. Pengembang aplikasi M-Pajak menyarankan melakukan perbaikan pada sistem login, verifikasi, dan pengajuan agar pengalaman pengguna menjadi lebih baik dan kendala teknis dapat diminimalkan.
Prediksi Curah Hujan Kota Bogor Menggunakan Algoritma Random Forest Ayu Syaharani, Maesha; Arif Dermawan, Budi; Ibnu Adam, Riza
Jurnal Sistem Informasi dan Aplikasi (JSIA) Vol 3 No 1 (2025): Vol 3 No 1 (Jurnal Sistem Informasi dan Aplikasi)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/jsia.v3i1.12459

Abstract

Kota Bogor merupakan salah satu wilayah di Indonesia dengan intensitas curah hujan yang tinggi sepanjang tahun. Tingginya curah hujan tersebut menjadi salah satu faktor penyebab terjadinya bencana seperti banjir dan tanah longsor. Pengembangan model prediksi curah hujan menjadi kebutuhan penting untuk mendukung perencanaan dan mitigasi risiko bencana oleh pemerintah daerah Kota Bogor. Penelitian ini bertujuan untuk membangun model prediksi curah hujan harian. Rancangan penelitian menggunakan metodologi Knowledge Discovery in Database (KDD) dengan algoritma Random Forest sebagai metode utama dalam analisis. Model Random Forest diterapkan dengan penyesuaian Quantile Transform dan Grid Search untuk memperoleh nilai parameter terbaik. Hasil penyesuaian menunjukkan bahwa kinerja model optimal dengan bootstrap:True, n_estimators: 500, max_depth: 5, dan max_features: sqrt. Model diuji menggunakan K-Fold Cross Validation pada beberapa nilai K = 3, 5, 7, 10, dan 15 yang diukur berdasarkan selisih antara nilai prediksi dan aktual. Nilai K = 15 menunjukkan tingkat kesalahan terendah dengan RMSE sebesar 21,92 mm dan MAE sebesar 15,21 mm.
Detection of Reconnaissance Attacks Using a Hybrid CNN–LSTM on IoT Network Susanto; Dermawan, Budi Arif; Rasenda, Rasenda
Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol. 15 No. 01 (2026): JANUARY
Publisher : ISB Atma Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32736/sisfokom.v15i01.2535

Abstract

The rapid expansion of the Internet of Things (IoT) has increased connectivity across various sectors but also exposed systems to new and evolving cybersecurity threats. One of the most critical threats is the reconnaissance phase, where attackers gather system information to prepare more sophisticated intrusions. Conventional intrusion detection systems often fail to detect reconnaissance due to similarities with benign traffic. To address this problem of ineffective reconnaissance detection, this study proposes a hybrid detection framework that combines autoencoder-based feature extraction with a Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM) classifier. The autoencoder, an unsupervised neural network that compresses input data and reconstructs it with minimal loss, is used to reduce data dimensionality and learn meaningful hidden features. The CNN captures spatial patterns and LSTM models temporal dependencies in network traffic. Experiments were conducted using the CICIoT2023 dataset, focusing exclusively on reconnaissance attacks. The evaluation metrics include accuracy, precision, recall, specificity, False Positive Rate (FPR), False Negative Rate (FNR), and F1-score. Results show that the proposed model achieves an overall accuracy of 99.79%, specificity of 0.9994, precision of 0.9948, recall of 0.9445, and F1-score of 0.9648. Class-level analysis demonstrates high performance across most attack types, though Ping Sweep exhibits a lower recall of 0.6853 despite achieving perfect precision. These results demonstrate that the hybrid CNN–LSTM model with autoencoder-based feature extraction can effectively detect reconnaissance attacks in IoT networks. The approach enhances detection accuracy, reduces false alarms, and provides a promising foundation for improving real-world IoT security monitoring systems.
DETEKSI SERANGAN SQL INJECTION MENGGUNAKAN ALGORITMA MACHINE LEARNING PADA JARINGAN IOT Rasenda, Rasenda; Susanto, Susanto; Dermawan, Budi Arif
JUTIM (Jurnal Teknik Informatika Musirawas) Vol 10 No 2 (2025): JUTIM (JURNAL TEKNIK INFORMATIKA MUSIRAWAS) DESEMBER
Publisher : LPPM UNIVERSITAS BINA INSAN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32767/jutim.v10i2.2795

Abstract

SQL Injection merupakan salah satu bentuk serangan siber yang paling berbahaya karena memungkinkan penyerang untuk mengakses, memodifikasi, atau menghapus data secara ilegal melalui manipulasi perintah SQL. Sistem deteksi berbasis aturan memiliki keterbatasan dalam menghadapi pola serangan baru yang bersifat dinamis dan sulit dikenali. Penelitian ini bertujuan mengembangkan model deteksi serangan SQL Injection dengan pendekatan machine learning menggunakan kombinasi Autoencoder dan Algoritma Machine Learning. Autoencoder digunakan untuk mengekstraksi fitur dan mendeteksi pola anomali pada data input, sedangkan Algoritma Machine Learning berperan sebagai model klasifikasi untuk membedakan antara permintaan normal dan serangan. Data yang digunakan terdiri atas payload berlabel yang mencakup input normal dan serangan SQL Injection, yang selanjutnya diproses melalui tahapan normalisasi, ekstraksi fitur, dan pelatihan model. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian diharapkan menghasilkan model deteksi yang adaptif, mampu mengenali pola serangan baru, serta memiliki tingkat kesalahan deteksi yang rendah pada sistem keamanan jaringan IOT.
Co-Authors Adhi Rizal Agung Siswoyo Aini Lailla Asri, Nur Alfafisabil, Wahyu Alfanda Novebrian Maharadja Aliffia Kulsumarwati Alrasyid, Wildan Anggara, Jerry Anis Fitri Nur Masruriyah Apriade Voutama Ashari, Aliffia Novsiyanti Aurelly Claudia Budianto, Theresia Ayu Syaharani, Maesha Betha Nurina Sari Carudin Cika Oktavia Daffa Rafif Agustian Dwi Ely Kurniawan Eddy Ryansyah Erliza Hambali Fuza Putra Arwanda Haerudin Hannie, Hannie Hengki Tamando Sihotang Ibnu Adam, Riza Ikhsal, Muhammad Fachry Intan Purnamasari Iqbal Maulana Iqbal Maulana Isy Karima Fauzia LILIK BUDIPRASETYO Loemongga Oktaria Sihombing Muhammad Hilmi Syarif Nana Mulyana Maghfur Natcha Kwintarini Suparman Nur Padilah, Tesa Nurul Afifah Arifuddin Permatasari, Ismi Aprilianti Putri Dwi Rahayu Putri, Dyas Rahma Rasenda, Rasenda Renaldy Permana Sidiq Rijal Abdulhakim Riza Ibnu Adam, Riza Ibnu Rizky A, Galih Prakoso Rohanah, Aan Sofi Defiyanti Sukarno Wijaya, Nanda Susanto Susanto Susilawati Susilawati Syafi'i, Muhammad Tesa Nur Padilah Tesa Nur Padilah Wahyu Alfafisabil Yuyun Umaidah