Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Informatika Komputer Jurnal Minfo Polgan (JMP)
Dyan Prawita Sari
Universitas Gunadarma
Computer Science & IT Decision Sciences, Operations Research & Management Library & Information Science Mathematics Social Sciences

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

Found 2 Documents
Search

 1 
PERBANDINGAN KLASIFIKASI KERUSAKAN JALAN MODEL CNN VGG19 DAN RESNET50 Revanza Raditya Putra Yanni; Iffatul Mardhiyah; Dyah Cita Irawati; Rifki Kosasih; Dyan Prawita Sari
Jurnal Ilmiah Informatika Komputer Vol 30, No 1 (2025)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2025.v30i1.14230

Abstract

Masalah kerusakan jalan pada jalan utama adalah salah satu gangguan saat berkendara dan dapat menyebabkan kecelakaan. Identifikasi kerusakan jalan masih dilakukan secara manual oleh pemerintah daerah dengan penyisiran jalan. Penggunaan teknologi kecerdasan buatan untuk identifikasi kerusakan jalan, sangat diperlukan. Algoritma CNN dapat melakukan identifikasi dan klasifikasi kerusakan jalan. Beberapa arsitektur pada CNN yang sering digunakan untuk klasifikasi diantaranya VGG19 dan ResNet50. Penelitian ini bertujuan untuk mengetahui perbandingan klasifikasi antara VGG19 dan ResNet50 pada kerusakan jalan. Perbandingan dilakukan dengan membedakan jumlah epochnya untuk setiap arsitektur. Jumlah dataset yang digunakan sebanyak 1656 citra. Model yang dibentuk bertujuan mengklasifikasikan kerusakan jalan menjadi tiga klasifikasi yaitu, kerusakan_besar, kerusakan_sedang, dan kerusakan_kecil. Jumlah epoch yang digunakan pada model adalah sebesar 10, 50, dan 100. Hasil dari penelitian arsitektur VGG19 dengan epoch 10 mendapatkan akurasi sebesar 79%, epoch 50 sebesar 73%, dan epoch 100 sebesar 76%. Arsitektur ResNet50 memperoleh hasil akurasi sebesar 75% dengan epoch 10, untuk epoch 50 sebesar 78%, dan epoch 100 sebesar 79%. Kesimpulan penelitian perbandingan klasifikasi kerusakan jalan, VGG19 dapat mengklasifikasikan lebih baik jika proses pelatihan yang lebih sederhana, sedangkan ResNet50 dapat melakukan klasifikasi lebih baik jika proses pelatihan yang lebih kompleks.
Implementasi Machine Learning untuk Deteksi Intrusi pada Jaringan Komputer Dyan Prawita Sari; Zuhri Halim; Irlon Irlon; Bayu Waseso; Saromah Saromah
Jurnal Minfo Polgan Vol. 13 No. 2 (2024): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v13i2.14074

Abstract

Dalam era digital yang semakin berkembang, keamanan jaringan komputer menjadi isu yang sangat penting, terutama dengan meningkatnya ancaman dari serangan siber. Salah satu metode yang efektif dalam mendeteksi ancaman tersebut adalah melalui implementasi machine learning. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model machine learning yang mampu mendeteksi intrusi pada jaringan komputer secara real-time. Model yang diusulkan menggunakan teknik supervised learning, di mana dataset yang berisi lalu lintas jaringan normal dan lalu lintas yang mengandung serangan digunakan untuk melatih algoritma. Algoritma yang dipertimbangkan meliputi Decision Tree, Random Forest, dan Support Vector Machine (SVM). Penelitian ini juga melakukan analisis komparatif untuk menilai kinerja masing-masing algoritma dalam hal akurasi, presisi, recall, dan waktu pemrosesan. Hasil eksperimen menunjukkan bahwa model machine learning yang diterapkan mampu mendeteksi berbagai jenis serangan dengan tingkat akurasi yang tinggi, mencapai lebih dari 95% pada dataset uji. Selain itu, Random Forest terbukti menjadi algoritma yang paling efektif dalam mendeteksi intrusi dengan keseimbangan terbaik antara akurasi dan waktu pemrosesan. Implementasi sistem ini diharapkan dapat meningkatkan kemampuan deteksi intrusi pada jaringan komputer, sehingga membantu dalam menjaga keamanan data dan mengurangi potensi kerugian akibat serangan siber.
Co-Authors Bayu Waseso Dyah Cita Irawati Iffatul Mardhiyah Irlon Irlon Revanza Raditya Putra Yanni Rifki Kosasih Saromah Saromah Zuhri Halim