Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal SAINTIKOM (Jurnal Sains Manajemen Informatika dan Komputer) Journal of Embedded Systems, Security and Intelligent Systems
Muh Rafli Rasyid
Universitas Sulawesi Barat
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Klasifikasi Tingkat Kematangan Buah Tomat menggunakan Computer Vision untuk Smart Agriculture Nurhikma Arifin; Chairi Nur Insani; Muh Rafli Rasyid
Jurnal SAINTIKOM (Jurnal Sains Manajemen Informatika dan Komputer) Vol 22, No 2 (2023): Agustus 2023
Publisher : PRPM STMIK TRIGUNA DHARMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53513/jis.v22i2.8387

Abstract

Klasifikasi tingkat kematangan buah tomat merupakan salah satu aspek penting dalam industri pertanian. Identifikasi yang akurat dan efisien terhadap kematangan buah tomat dapat membantu petani dalam mengelola panen dengan lebih baik dan meningkatkan produktivitas pertanian secara keseluruhan. Untuk itu, penelitian ini bertujuan untuk mengklasifikasian kematangan buah tomat secara otomatis dengan pemanfaatan computer vision dan kecerdasan buatan menuju smart agriculture. Klasifikasi dilakukan menjadi 3 kategori kelas yaitu belum matang, setengah matang dan matang. Adapun total dataset yang digunakan pada penelitian ini adalah 240 citra tomat yang terdiri dari 180 data latih dan 60 data uji. Proses yang dilakukan menggunakan metode segmentasi HSV dengan nilai lower upper H [0-77], S [48-255] dan V [33-212].  Sedangkan proses klasifikasi menggunakan algoritma Support Vector Machine dengan kernel RBF dengan nilai parameter C = 7 and γ = 10-2. Hasil pengujian menunjukkan sistem yang digunakan memberikan kinerja terbaik dengan hasil akurasi 100% sehingga dapat diimplementasikan dengan baik dan memberikan kontribusi teknologi dalam peningkatan pasca panen menuju revolusi Industri 4.0.Kata Kunci : Klasifikasi, Tomat, HSV, Computer Vision, Smart Agriculture 
Random Forest Implementation for Suricata-Based Real-Time DDoS Attack Detection Juhari; Nuralamsah Zulkarnaim; Muh Rafli Rasyid; Andi M. Yusuf
Journal of Embedded Systems, Security and Intelligent Systems Vol 6, No 2 (2025): June 2025
Publisher : Program Studi Teknik Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59562/jessi.v6i2.8339

Abstract

The Random Forest classifier model trained on the CICDDoS2019 dataset achieved an accuracy of 99.94%, precision of 99.79%, recall of 99.94%, and F1-Score of 99.87%, demonstrating strong performance in detecting Distributed Denial of Service (DDoS) attacks. This study aims to develop a real-time DDoS detection system by integrating Suricata as an intrusion detection system (IDS) and Random Forest as a machine learning model. The Dataset used consisted of 431,371 samples and 31 selected features from the results of feature selection. The system works by monitoring log eve.json from Suricata, extracts relevant features directly, then performs classification using a trained model. Predictions are displayed via a Flask-based web interface for easy monitoring. In the live traffic test, the model gave a confidence score of 0.65 for attacks and 0.81 for normal traffic. These results prove that the built system is able to recognize DDoS attack patterns efficiently and can be applied to real network infrastructure as a real-time Threat Detection Solution.
Co-Authors Andi M. Yusuf Arifin, Nurhikma Chairi Nur Insani Juhari Nuralamsah Zulkarnaim