Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal JIKSI (Jurnal Ilmu Komputer dan Sistem Informasi) Indonesian Journal of Data and Science
Vincent Alexander
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Mathematics Other

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

Found 2 Documents
Search

 1 
Simulasi Jaringan untuk Sistem Terdistribusi Website “Simple Todo App” dengan GNS3 Vincent Alexander; Angeline Shevenia; Naswa Azahra; Iqbal Alfaridzi Balman; Raynaldo Gracia Buntoro
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.v12i2.31579

Abstract

Sistem jaringan Cloud Saas (Software as a Service) memungkinkan perusahaan atau individu untuk menggunakan sebuah aplikasi tanpa melakukan instalasi di perangkat personal mereka. Oleh karena itu, pengguna hanya perlu memiliki koneksi internet untuk mengaksesnya dimanapun dan kapanpun. Penelitian ini ditujukan untuk membuat sistem jaringan Cloud SaaS yang berfokus pada keamanan dan keandalan. Penggunaan IP Address Subnetting, Static Routing, Network Address Translation (NAT), dan Firewall, perancangan ini akan memastikan keamanan dan keandalan dari penggunaan jaringan untuk perusahaan atau individu. Pada akhir dari penelitian ini, hasilnya menunjukkan bahwa projek simulasi jaringan dengan menggunakan GNS3 telah berhasil mengelola sistem jaringan antara Web Server dan Cloud Server dengan sempurna. Namun, penelitian ini menyadari adanya kekurangan penggunaan alat keamanan tambahan, seperti VPN dan HTTPS. Oleh karena itu, penelitian ini menyediakan simulasi sistem jaringan dan pengetahuan yang dapat digunakan untuk pengembangan selanjutnya, terutama dalam penggunaan HTTPS dan VPN untuk memastikan keamanan jaringan.
Comparison of Machine Learning Land Use-Land Cover Supervised Classifiers Performance on Satellite Imagery Sentinel 2 using Lazy Predict Library Muhamad Iqbal Januadi Putra; Vincent Alexander
Indonesian Journal of Data and Science Vol. 4 No. 3 (2023): Indonesian Journal of Data and Science
Publisher : yocto brain

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56705/ijodas.v4i3.102

Abstract

The utilisation of various supervised classifier algorithms in classifying land use and land cover (LULC) from satellite imagery has been widely used worldwide, yet the implementation using lazy predict library remained unexplored. This study aims to create the LULC supervised classifier model for Sentinel 2 satellite images using lazy predict library and assess its capability for creating multiple machine learning models. The result of this study shows that lazy predict library can generate 26 machine learning models in efficient few lines of code and less time-consuming. Most LULC models generated by lazy predicts has performance metrics above 90% with time computation between 0 and 1 seconds. While lazy predict library has benefits to generate various machine learning models at once, it has drawbacks in terms of its feasibility for the machine learning production, its obstacle running in local environment, and its requirements for the RAM computation.
Co-Authors Angeline Shevenia Iqbal Alfaridzi Balman Muhamad Iqbal Januadi Putra Naswa Azahra Raynaldo Gracia Buntoro