Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal JIKSI (Jurnal Ilmu Komputer dan Sistem Informasi)
Kane Pradipa Komala
Unknown Affiliation
Computer Science & IT Mathematics Other

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

Found 2 Documents
Search

 1 
SIMULASI JARINGAN UNTUK SISTEM TERDISTRIBUSI LMS MOODLE DENGAN GNS3 Vie Huang; Hezekiah Ivandi; Darren Natanael S; Dave Keane Wijaya; Kane Pradipa Komala
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 12 No. 2 (2024): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v12i2.31565

Abstract

Dalam lanskap teknologi pendidikan yang berubah dengan cepat, integrasi langkah-langkah keamanan seperti Virtual Private Networks (VPN) dan Firewall ke dalam Leaning Management Systems (LMS) menjadi keharusan. Penelitian ini bertujuan untuk menyelidiki dan mengimplementasikan LMS yang mencakup fungsi VPN dan Firewall, dengan fokus pada peningkatan keamanan data, kontrol akses, dan integritas sistem secara keseluruhan. Metodologi penelitian memerlukan pemeriksaan menyeluruh terhadap arsitektur LMS, teknologi VPN, dan solusi Firewall yang ada. Mengambil wawasan dari literatur, prototipe LMS akan dikembangkan, menggabungkan fitur VPN dan Firewall. Efektivitas langkah-langkah keamanan terintegrasi ini akan dinilai melalui pengujian kinerja, umpan balik pengguna, dan evaluasi keamanan. Dalam penelitian ini digunakan perangkat lunak bernama GNS3 (Graphical Network Simulator 3) untuk simulasi tata letak jaringan, Cisco ASAv untuk Firewall, Moodle sebagai LMS dan Virtualbox untuk membuat mesin virtual yang dapat digunakan untuk Web Server. dan Klien Web. Jadi seperti yang ditunjukkan dalam penelitian ini, Web Client berhasil mengakses Web Server dengan aman menggunakan VPN dan Firewall untuk membuka Website LMS Moodle.
Indonesia Jason Permana; Rakha Naufal Sujana; Kane Pradipa Komala; Benny Dwiyanto
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 14 No. 1 (2026): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/7nbfrp18

Abstract

Harga cabai rawit merah di Kota Tasikmalaya sering mengalami fluktuasi yang tajam dari waktu ke waktu. Ketidakstabilan harga ini menimbulkan ketidakpastian bagi petani, pedagang, dan konsumen, sehingga diperlukan model prediksi yang andal untuk mendukung pengambilan keputusan. Penelitian ini bertujuan membandingkan kinerja tiga algoritma machine learning berbasis ensemble, yaitu Light Gradient Boosting Machine (LGBM), Random Forest, dan Extreme Gradient Boosting (XGBoost), dalam memprediksi harga harian cabai rawit merah. Data yang digunakan berupa deret waktu univariat dari Pusat Informasi Harga Pangan Nasional (PIHPS) periode 1 Januari 2020 hingga 30 September 2025. Metode sliding window dengan jendela 30 hari digunakan untuk memprediksi harga pada hari berikutnya, dengan tuning hyperparameter menggunakan GridSearchCV dan validasi silang TimeSeriesSplit. Evaluasi dilakukan menggunakan MAE, RMSE, MAPE, dan R² pada tiga skenario pembagian data (60:40, 70:30, dan 80:20). Hasil penelitian menunjukkan bahwa ketiga model memiliki nilai R² di atas 0.97. LGBM unggul pada metrik MAPE (sekitar 2.6%) dan memiliki waktu pelatihan GridSearchCV tercepat, yaitu rata-rata 149.09 detik, dibandingkan XGBoost sebesar 766.16 detik dan Random Forest sebesar 1085.83 detik. Dengan mempertimbangkan akurasi dan efisiensi, LGBM dinilai sebagai model paling optimal untuk studi kasus ini.
Co-Authors Benny Dwiyanto Darren Natanael S Dave Keane Wijaya Hezekiah Ivandi Jason Permana Rakha Naufal Sujana Vie Huang