Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Infact: Jurnal Sains dan Komputer
Empiter Gea
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering

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

Found 2 Documents
Search

 1 
ANALISIS PERBANDINGAN UNJUK KERJA METODE FAILOVER PADA JARINGAN VLAN MENGGUNAKAN SERVER UBUNTU DAN CENTOS Empiter Gea
JURNAL SAINS DAN KOMPUTER Vol. 1 No. II (2019): Jurnal Infact Edisi Oktober 2019
Publisher : Universitas Kristen Immanuel

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

Abstract

Semakin maraknya aplikasi Internet hanya menggunakan sebuah ISP saat ini dirasakansudah tidak mencukupi lagi, sehingga untuk memenuhi kebutuhan akses Internet dan parapelanggannya ditambahkanlah sebuah link ISP baru, dengan menerapkan konsep 2 ISP denganmenggunakan 2 layanan ISP. Dengan bertambahnya jumlah jaringan ISP yang digunakanmaka dibutuhkannya suatu metode untuk memaksimalkan penggunaan yang disebutdengan failover, yaitu suatu metode pembagian beban secara seimbang sesuai dengankebutuhan yang diinginkan dan juga suatu metode berpindahnya suatu ISP ke ISP lain secaraotomatis apabila suatu ISP tersebut mengalamin kegagalan koneksi. Pada perancangan sistem ini digunakan 3 buah router dan 1 buah switch, yaitu terdiridari dua buah router Rb941-2nD yang berfungsi sebagai jalur kedua ISP, router mikrotik RB2011 UI sebagai gateway dari FTP server yang mengatur sistem failover dan satu buah switchyang terhubung ke komputer client. Dari hasil pengujian penggunaan metode failover pada server Ubuntu dan Centosdidapatkan throughput 801 KB/s untuk server Ubuntu dan 721 KB/s untuk server Centos, danDelay dari server Ubuntu 50,0523 Ms sedangkan untuk server Centos 36,8965 Ms dan PacketLoss untuk server Ubuntu 0,6% sedangkan untuk server Centos adalah 1,3%.
Evaluasi Kinerja CNN, LSTM, dan DNN untuk Deteksi Serangan DDoS Berbasis Flow features pada Dataset CSE-CIC-IDS2018 Muhammad Al Adib; Pebruarianto Hutabarat; Heru Fredi; Bill Raj; Prasetyo; Empiter Gea
Jurnal Komputer Teknologi Informasi Sistem Informasi (JUKTISI) Vol. 4 No. 3 (2026): Februari 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i3.727

Abstract

Deep learning approaches have been proven effective in detecting Distributed Denial of Service (DDoS) attacks on networks, particularly through the analysis of flow features. This study aims to evaluate CNN, LSTM, and DNN in detecting DDoS attacks using flow features on the CSE-CIC-IDS2018 dataset. Each model is systematically compared with baseline algorithms to assess accuracy, precision, recall, and F1-score, in order to determine the most optimal model for a Network Intrusion Detection System (NIDS). All models demonstrated very high accuracy above 99%, with CNN standing out as the best-performing deep learning model for detecting DDoS patterns, while XGBoost emerged as the most effective baseline. These results emphasize that the choice of detection model should consider data characteristics, the complexity of flow features, and the diversity of attack types to achieve optimal performance in a NIDS. The study shows that both CNN, DNN, and LSTM, as well as baseline models such as XGBoost, can detect DDoS attacks based on flow features with accuracy above 99%, confirming the effectiveness of this approach and the importance of selecting models according to data characteristics.
Co-Authors Bill Raj Heru Fredi Muhammad Al Adib Pebruarianto Hutabarat Prasetyo