Claim Missing Document
Check
Articles

Found 4 Documents
Search

DETEKSI ANOMALI DAN SERANGAN LOW RATE DDOS DALAM LALU LINTAS JARINGAN MENGGUNAKAN NAIVE BAYES Firdaus, Diash; Fahira, Fahira; Rianti, Resa
Naratif (Jurnal Nasional Riset, Aplikasi Dan Teknik Informatika) Vol 5 No 2 (2023): NARATIF : Jurnal Nasional Riset Aplikasi dan Teknik Informatika
Publisher : Sekolah Tinggi Teknologi Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53580/naratif.v5i2.208

Abstract

Low Rate DDoS merupakan serangan jenis DDoS yang sulit di deteksi karena memiliki karakteristik paket yang mirip dengan trafik normal, sehingga dibutuhkan algoritma yang memiliki akurasi tinggi serta memiliki latensi yang cukup rendah dalam memberikan keputusan terhadap trafik di jaringan. Metode Machine Learning dengan algoritma Naïve Bayes digunakan untuk melakukan deteksi terhadap serangan Low Rate DDoS karena memiliki akurasi yang cukup baik. Algoritma yang sering digunakan dalam melakukan deteksi serangan DDoS seperti SVM, KNN dan Random Forest akan tetapi algoritma tersebut memiliki latensi yang cukup tinggi karena komputasi yang dibutuhkan cukup kompleks. Dengan demikian Algoritma Machine Learning yang digunakan adalah algoritma Naive Bayes sebagai model prediksi karena memiliki waktu training yang cepat. Sedangkan dataset yang digunakan adalah CICIDS2017. pada tahap testing dilakukan menggunakan 20% dari CICDS2017. Hasil akhir dari penelitian ini adalah teknik deteksi yang efektif dalam mendeteksi anomali dan serangan Low Rate DDoS. Hal yang dilakukan adalah merancang strategi pemodelan yang baik untuk mendeteksi anomali dan serangan Low Rate DDoS dengan menggunakan pendekatan algoritma Naive Bayes. Model Machine Learning Naive Bayes dievaluasi dengan menggunakan metrik akurasi, presisi, recall, dan f1 score dan dihasilkan model yang dapat memprediksi anomali dan serangan Low Rate DDoS pada lalu lintas jaringan dengan baik. Hasil akurasi yang paling tinggi terdapat pada model GaussianNB yaitu dengan akurasi 83,45 % dimana telah dibandingkan oleh model BernoulliNB yang tertinggi hanya mendapatkan akurasi 76,21%.
Penerapan PCA dan Algoritma Clustering untuk Analisis Mutu Perguruan Tinggi di LLDIKTI Wilayah IV Rianti, Resa; Andarsyah, Roni; Awangga, Rolly Maulana
NUANSA INFORMATIKA Vol. 18 No. 2 (2024): Nuansa Informatika 18.2 Juli 2024
Publisher : FKOM UNIKU

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25134/ilkom.v18i2.211

Abstract

The Internal Quality Assurance System (SPMI) is a guideline used by universities to assess the quality of performance and implementation of higher education internally. SPMI is very important to be considered by universities in order to compete positively with other universities, both at home and abroad, as well as to improve the management and implementation of higher education in the institution. In this study, three machine learning algorithms are applied, namely K- Means, Mean Shift, and DBSCAN, to cluster SPMI data. The methods used include Principal Component Analysis (PCA) to reduce data complexity without losing important information, and three clustering algorithms to group universities based on similarity of quality indicators. The K-Means algorithm clusters data based on distance to the nearest centroid, Mean Shift identifies clusters based on data density, and DBSCAN clusters data based on density and is able to handle outliers and irregularly shaped clusters. The results show that Mean Shift produces the best cluster with Silhouette Score 0.566, Davies- Bouldin Index 0.648, and Calinski-Harabasz Index 971.07. The K-Means algorithm provides quite good results with Silhouette Score 0.466, Davies-Bouldin Index 0.757, and Calinski-Harabasz Index 757.06. Meanwhile, DBSCAN has lower performance with Silhouette Score 0.216, Davies-Bouldin Index 1.045, and Calinski-Harabasz Index 105.67. This research provides the results of identifying universities that need special attention and helps in strategic planning for quality improvement so that they can carry out guidance more effectively and contribute to the development of a quality assurance system for higher education in Indonesia.
Memprediksi Tingkat Atrisi Karyawan Menggunakan Machine Learning Rianti, Resa; Andarsyah, Roni
Jurnal Tekno Insentif Vol 18 No 1 (2024): Jurnal Tekno Insentif
Publisher : Lembaga Layanan Pendidikan Tinggi Wilayah IV

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36787/jti.v18i1.1263

Abstract

Abstrak Pengurangan karyawan dapat menjadi masalah serius bagi keunggulan kompetitif suatu organisasi dan mahal dalam hal biaya. Biaya pengurangan karyawan meliputi siklus hidup sumber daya manusia, hilangnya pengetahuan, semangat kerja, dan budaya organisasi. Atrisi karyawan terjadi secara alami dalam suatu organisasi karena berbagai faktor tak terhindarkan. Hal ini dapat menyebabkan kerugian besar bagi organisasi. Untuk mengatasi hal ini, penting bagi perusahaan untuk memahami faktor-faktor yang berpengaruh pada atrisi karyawan. Dalam penelitian ini, digunakan metode pemilihan fitur untuk mengidentifikasi faktor-faktor yang berpengaruh dan menyederhanakan pelatihan data menggunakan dataset atrisi HR-analytics. Model pembelajaran mesin seperti Logistic Regression dan Support Vector Machine digunakan untuk melatih dan mengevaluasi data. Tujuan utamanya adalah mendeteksi atrisi dengan akurasi tinggi untuk membantu perusahaan meningkatkan strategi retensi karyawan yang penting dan meningkatkan kepuasan mereka. Hasil penelitian ini dapat membantu manajemen memahami perubahan apa yang harus dilakukan di tempat kerja agar sebagian besar karyawan tetap bertahan. Ini akan membantu perusahaan dalam meramalkan pengurangan karyawan dan mengurangi biaya sumber daya manusia, serta mendorong pertumbuhan ekonomi mereka. Abstract Employee attrition has a serious impact on an organization's competitive advantage and incurs high costs. These costs include the entire human resource life cycle, loss of knowledge, motivation, and organizational culture. Employee attrition occurs naturally within organizations and causes significant losses. To overcome this problem, it is important for companies to understand the factors that influence employee attrition. This research uses feature selection methods and HR analytics attrition datasets to train machine learning models such as Logistic Regression and Support Vector Machine. The goal is to detect attrition with high accuracy to improve critical employee retention and satisfaction strategies. The results assist management in understanding the workplace changes required to retain employees. This helps companies forecast attrition, reduce human resource costs, and drive economic growth.
RANCANG BANGUN APLIKASI PREDIKSI KANKER PAYUDARA DENGAN PENDEKATAN MACHINE LEARNING Adiningrum, Nur Tri Ramadhanti; Rianti, Resa; Priyanto, Cahyo
Jurnal Informatika dan Teknik Elektro Terapan Vol. 11 No. 3s1 (2023)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v11i3s1.3351

Abstract

Kanker payudara merupakan penyakit terbanyak yang ditemukan pada wanita dan angka kematiannya menempati posisi kedua kasus kanker yang dapat mempengaruhi lebih dari 2,1 juta orang pada tahun 2020. Berdasarkan kasus tersebut dapat diketahui kanker payudara adalah kanker penyebab utama kematian wanita. Namun kematian ini dapat dikurangi dengan melakukan deteksi dini terhadap sel kanker. Oleh karena itu, pencegahan kanker berperan penting dalam proses pengobatan dan membantu meningkatkan angka pemulihan hidup. Prediksi kanker dapat membantu pasien untuk berkonsultasi dengan dokter lebih cepat. Sehingga, prediksi kanker yang tepat sangat penting untuk memperbarui perawatan pasien kanker payudara. Teknik Machine Learning dapat dilakukan untuk memprediksi kanker payudara karena dapat menangkap interaksi tingkat tinggi antar data yang mungkin menghasilkan prediksi yang lebih baik untuk membedakan antara jinak dan ganas. Oleh karena itu, penelitian ini digunakan pendekatan klasifikasi yang efektif Support Vector Machine (SVM). SVM adalah model yang digunakan untuk melakukan prediksi kanker payudara. Untuk mempermudah proses prediksi, hasil prediksi kanker payudara diterapkan dalam bentuk web base dengan framework Django untuk dapat digunakan oleh dokter dalam menentukan keputusan dengan cepat. Hasil modeling menunjukkan bahwa prediksi kanker payudara menggunakan SVM memperoleh akurasi sebesar 98,24%. Sehingga model yang dibuat sangat baik sehingga aplikasi akan bekerja untuk memprediksi dengan baik.