Article Per Year (5 Year)
p-Index From 2021 - 2026
2.32
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) RABIT: Jurnal Teknologi dan Sistem Informasi Univrab JATI (Jurnal Mahasiswa Teknik Informatika) Jurnal Media Informatika International Journal Software Engineering and Computer Science (IJSECS) Jurnal Ilmiah SIGMA: Informatics Engineering Journal of UPB Jurnal Pustaka AI : Pusat Akses Kajian Teknologi Artificial Intelligence Jurnal Bakti Bagi Bangsa SISFOTENIKA
Turmudi Zy, Ahmad
Unknown Affiliation
Religion Agriculture, Biological Sciences & Forestry Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Languange, Linguistic, Communication & Media Mathematics Mechanical Engineering Physics Social Sciences Other

Published : 16 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 16 Documents
Search

 1   2 
Analisis Performa Beaufort Cipher Dan ROT13 Dalam Proses Enkripsi Dan Dekripsi Pada Data Teks Pratama, Stephen; Ndruru, Serius; Tambunan, Nicky Pascal; Hasbiallah, Muhammad; Turmudi Zy, Ahmad
Jurnal Media Informatika Vol. 6 No. 2 (2025): Jurnal Media Informatika
Publisher : Lembaga Dongan Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55338/jumin.v6i2.5363

Abstract

Penelitian ini bertujuan untuk menganalisis performa algoritma Beaufort Cipher dan ROT13 dalam proses enkripsi dan dekripsi data teks digital. Kedua algoritma ini memiliki karakteristik yang berbeda, di mana Beaufort Cipher menggunakan kunci dengan panjang yang sama dengan teks, sedangkan ROT13 menggunakan pergeseran tetap sebesar 13 karakter. Metode penelitian melibatkan pengumpulan data berupa teks digital dengan ukuran yang bervariasi, yaitu 100, 1.000, 10.000, dan 100.000 karakter. Pengujian dilakukan menggunakan skrip Python untuk mengukur waktu eksekusi enkripsi dan dekripsi, dengan setiap algoritma diuji sebanyak 10 kali pada masing-masing ukuran teks. Hasil pengujian menunjukkan bahwa ROT13 memiliki waktu eksekusi yang lebih cepat dibandingkan Beaufort Cipher untuk semua ukuran teks yang diuji. Waktu eksekusi kedua algoritma menunjukkan peningkatan linear seiring dengan bertambahnya panjang teks. Penelitian ini menyimpulkan bahwa algoritma ROT13 sangat cocok untuk aplikasi sederhana yang membutuhkan efisiensi waktu, seperti penyamaran teks. Sebaliknya, Beaufort Cipher, meskipun lebih lambat, menawarkan manfaat edukasi dalam memahami prinsip enkripsi berbasis kunci. Dengan demikian, hasil penelitian ini memberikan wawasan tentang efisiensi kedua algoritma dalam konteks modern dan penggunaannya yang sesuai berdasarkan kebutuhan spesifik.
Pengembangan Kebijakan Keamanan Adaptif Berbasis Machine Learning pada Firewall SDN Surojudin, Nurhadi; Turmudi Zy, Ahmad; Maulana, Donny; Halim Anshor, Abdul
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 5 No 1 (2025): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v5i1.919

Abstract

Dalam era digital yang semakin kompleks, serangan siber seperti Distributed Denial of Service (DDoS) menjadi tantangan besar dalam pengelolaan keamanan jaringan. Penelitian ini mengusulkan pengembangan kebijakan keamanan adaptif berbasis machine learning untuk firewall pada arsitektur Software-Defined Networking (SDN). Dengan menggunakan algoritma Random Forest dan dataset CICIDS2017, sistem mampu mendeteksi serangan DDoS secara otomatis dan akurat. Data diuji melalui metode stratified split agar proporsi label tetap seimbang, serta dilakukan pembersihan nilai tak valid. Model menunjukkan performa sangat tinggi dengan akurasi 99,9978%, precision dan recall 99,996%, serta f1-score 99,996%. Evaluasi melalui confusion matrix mengindikasikan hanya dua kesalahan klasifikasi dari total 45.149 data uji. Hasil ini membuktikan bahwa integrasi machine learning dalam firewall SDN dapat memperkuat deteksi ancaman dan menghasilkan kebijakan keamanan yang dinamis, efisien, serta dapat beradaptasi terhadap serangan baru. Rencana pengembangan ke depan mencakup penerapan pada data real-time dan perluasan cakupan deteksi terhadap jenis serangan lainnya. Temuan ini memberikan kontribusi signifikan dalam pengembangan solusi keamanan jaringan berbasis SDN yang cerdas.
ANALISIS EFEKTIVITAS SISTEM DETEKSI INTRUSI TERHADAP SERANGAN DDOS: INVESTIGASI BERBASIS SIMULASI Isarianto, Isarianto; Turmudi Zy, Ahmad; Maulana, Donny; Susilo, Arif
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.14359

Abstract

Serangan Distributed Denial of Service (DDoS) merupakan ancaman serius bagi keamanan jaringan modern karena mampu melumpuhkan layanan digital secara masif. Penelitian ini menyoroti pentingnya sistem deteksi intrusi (Intrusion Detection System/IDS) yang tangguh dalam menghadapi serangan tersebut, terutama dengan pendekatan pembelajaran mesin. Permasalahan utama yang diangkat adalah bagaimana meningkatkan akurasi deteksi serangan dalam kondisi distribusi data yang tidak seimbang. Penelitian ini bertujuan untuk mengevaluasi efektivitas IDS berbasis algoritma XGBoost dalam mengidentifikasi lalu lintas jaringan berbahaya, khususnya serangan DDoS, dengan memanfaatkan dataset CICIDS2017. Metode yang digunakan meliputi pra-pemrosesan data, penyeimbangan kelas menggunakan undersampling, normalisasi fitur, pelatihan model dengan XGBoost, serta optimasi hyperparameter melalui grid search. Evaluasi kinerja dilakukan menggunakan metrik precision, recall, F1-score, confusion matrix, dan ROC-AUC. Hasil menunjukkan bahwa model mencapai nilai di atas 99% untuk seluruh metrik evaluasi, menandakan performa deteksi yang sangat baik. Penelitian ini menyimpulkan bahwa kombinasi balancing data dan optimasi XGBoost mampu menghasilkan IDS yang andal dalam skenario simulasi serangan DDoS, serta menyoroti pentingnya pengujian lanjutan pada data nyata untuk mengukur kemampuan generalisasi sistem.
Klasifikasi Kualitas Air dengan K-Means dan Decision Tree anisa, anisa; Turmudi Zy, Ahmad; Hadikristanto, Wahyu
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 5 No 2 (2025): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

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

Abstract

Kualitas air merupakan aspek krusial yang harus memenuhi standar baku mutu untuk memastikan kelayakankonsumsi. Parameter seperti pH, Total Dissolved Solids (TDS), dan suhu menjadi indikator utama sebagaimanaditetapkan dalam Permenkes No. 2 Tahun 2023. Penelitian ini mengusulkan integrasi algoritma K-MeansClustering dan Decision Tree untuk klasifikasi kualitas air. K-Means digunakan untuk mengidentifikasi pola dalamdataset berisi 3.270 sampel, sementara Decision Tree memprediksi kelayakan air. Hasil evaluasi menunjukkanSilhouette Score sebesar 0.8338, menandakan kualitas clustering yang baik. Decision Tree mencapai akurasi99,45% dengan ROC Curve dan AUC mendekati 1, mengonfirmasi performa klasifikasi yang optimal. Pendekatanini menjadi dasar sistem pemantauan kualitas air otomatis guna mendukung pengambilan keputusan berbasis data.
Optimizing firewall timing for brute force mitigation with random forests Turmudi Zy, Ahmad; Isarianto, Isarianto; Muhammad Rifa'i, Anggi; Ghofir, Abdul; Dwi Miharja, Muhammad Najamuddin; Tri Sasongko, Ananto
IAES International Journal of Artificial Intelligence (IJ-AI) Vol 14, No 4: August 2025
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijai.v14.i4.pp2945-2954

Abstract

Mitigating brute force attacks remains a critical challenge in cybersecurity, requiring intelligent and adaptive solutions. This research introduces an approach to optimizing firewall deployment timing for enhanced brute force mitigation using pattern recognition techniques with the random forest algorithm. Leveraging the UNSW-NB15 dataset, comprehensive preprocessing and exploratory data analysis (EDA) were performed to ensure the dataset's suitability for machine learning applications. The study utilized a structured workflow, splitting the dataset into training and testing subsets to rigorously evaluate the model's performance. The proposed random forest model achieved a high accuracy of 98.87%, supported by precision, recall, and F1-scores that confirm its effectiveness in distinguishing normal and attack traffic. The confusion matrix further validated the model’s robustness, highlighting its potential in improving the efficiency of firewall deployment. These findings demonstrate the critical role of advanced machine learning techniques in enhancing cybersecurity defenses, particularly in mitigating brute force attacks through optimized, data-driven strategies.
Explainable DDoS Detection with a CNN-LSTM Hybrid Model and SHAP Interpretation Amali, Amali; Muhammad Rifa'i, Anggi; Widodo, Edy; Turmudi Zy, Ahmad; Ariatmanto, Dhani
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 9 No 6 (2025): December 2025 (in progress)
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/resti.v9i6.6865

Abstract

The rising frequency and complexity of Distributed Denial of Service (DDoS) attacks pose a severe threat to network security. This study aims to develop an effective and interpretable DDoS detection framework using a hybrid deep learning approach. The proposed method integrates Convolutional Neural Networks (CNN) to capture local traffic patterns and Long Short-Term Memory (LSTM) networks to model temporal dependencies. The CICIDS 2017 dataset, after preprocessing steps including data cleaning, standardization, and class balancing with SMOTE, was used to train and evaluate the model. Experimental results show that the framework achieved 99.98% accuracy and a 99.83% F1-Score, with minimal false positive and false negative rates. This study integrates SHAP to improve model interpretability, aligning feature importance with network security expertise. Future research will focus on real-time deployment, cross-dataset validation, and exploring alternative explainable AI techniques for improved scalability.
Co-Authors Abdillah, Syahbarudin Abdul Ghofir Agung Nugroho Agus Suwarno, Agus Ainur Rofieq Amali, Amali Anisa Anisa ARIF SUSILO Aureli Rahmadani, Debby Azmi Abdussyukur, Mohammad Azwa Dipani, Muhammad Chandra, Ahmad Alfian Darmanto Darmanto DHANI ARIATMANTO Edy Widodo Fauzan Gifari, Muhammad Halim Anshor, Abdul Hasbiallah, Muhammad Hidayatullah, Cahyo Isarianto Isarianto, Isarianto Mantona, Muhamad Risvan Maulana Ayassy, Bayu Maulana, Donny Muhamad Fatchan Muhammad Najamuddin Dwi Miharja Muhammad Rifa'i, Anggi Mustafanah, Alif Ndruru, Serius Pratama, Stephen Putra Sinaga, Frans Rifqi Aziz, Muhammad Septiani Ningrat, Nova Surojudin, Nurhadi Tambunan, Nicky Pascal Toga Junior Sinaga, Michael Tri Sasongko, Ananto Tyanshi Firli Maharani Vivie Zuliani Erikasari Wafha Zahra Mulqiya Wahyu Hadikristanto Wiwik Handayani Yumansyah, Qori Zulaeha