Jason Chainara Putra
Unknown Affiliation

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

Found 2 Documents
Search

SIMULASI JARINGAN UNTUK SISTEM TERDISTRIBUSI OPENSTACK DENGAN GNS3 Tigo Ilhami Fasyah; Jason Chainara Putra; Ruben Tobia Chaiyadi; Jafier Andreas; Timoty Wahyudi Pakpahan
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.v12i2.31583

Abstract

Pergeseran paradigma terhadap kerja jarak jauh telah menekankan kebutuhan akan infrastruktur jaringan yang kuat dan terukur. Penelitian ini menyajikan simulasi jaringan Work From Home (WFH) menggunakan Cloud Infrastructure as a Service (IaaS) yang didukung oleh OpenStack. Simulasi ini berfokus pada evaluasi kinerja, skalabilitas, dan keandalan arsitektur jaringan, dengan mempertimbangkan tantangan yang terkait dengan skenario kerja jarak jauh. OpenStack digunakan untuk menyediakan mesin virtual, jaringan, dan sumber daya penyimpanan, menciptakan lingkungan berbasis cloud untuk simulasi WFH. Hasil penelitian menunjukkan bahwa Client PC di outside zone berhasil mengakses cloud OpenStack melalui dashboard dan Web server (HTTP/HTTPS) dan juga pada Inside PC dapat mengakses semua zona termasuk webserver dan server openstack dengan melakukan ping melalui terminal.
Indonesia Gavriel Joseph Lim; Jason Chainara Putra; Paulina Agusia; Marcia Yanprincessa Utama
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: 10.24912/03ch2p08

Abstract

Penelitian ini bertujuan untuk membandingkan kinerja algoritma Naive Bayes, Random Forest, dan XGBoost dalam mengklasifikasikan kualitas air budidaya perikanan. Kualitas air merupakan faktor penting dalam menjaga kesehatan organisme akuatik serta mengoptimalkan produktivitas akuakultur. Penelitian ini menggunakan dataset yang mencakup beberapa parameter, seperti pH, suhu, oksigen terlarut, salinitas, dan kekeruhan, yang digunakan sebagai fitur masukan untuk memprediksi kelas kualitas air secara keseluruhan. Data dibagi menjadi dua bagian, yaitu data pelatihan dan data pengujian. Hasil eksperimen menunjukkan bahwa algoritma Random Forest mencapai akurasi klasifikasi tertinggi sekaligus waktu pemrosesan tercepat dibandingkan dengan XGBoost dan Naive Bayes. Algoritma XGBoost menghasilkan performa yang kompetitif dengan sensitivitas yang sedikit lebih tinggi terhadap variasi data, sedangkan Naive Bayes menunjukkan efisiensi komputasi yang tinggi namun dengan akurasi yang lebih rendah. Secara keseluruhan, Random Forest memberikan kinerja yang paling konsisten dan akurat dalam mengklasifikasikan kualitas air budidaya, sehingga dinilai paling cocok untuk diterapkan pada sistem pemantauan kualitas air secara real-time.