Herdian, Cevi
Unknown Affiliation

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

Perbandingan Metode GLCM dan DWT Dalam Mengekstraksi Ciri Penyakit pada Daun Tomat (Solanum lycopersicum syn) Tampinongkol, Felliks; Herdian, Cevi; Basri, Hasan; Ginting, Jusia A; Purnomo, Yunianto
Techno Xplore : Jurnal Ilmu Komputer dan Teknologi Informasi Vol 8 No 2 (2023): Techno Xplore: Jurnal Ilmu Komputer dan Teknologi Informasi
Publisher : Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Buana Perjuangan Karawang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36805/technoxplore.v8i2.5423

Abstract

Penyakit yang disebabkan oleh pathogen dapat menyebabkan terjadinya kematian pada suatu tanaman tertentu yang terjangkit oleh penyakit tersebut. Pathogen memerlukan inang untuk dapat berkembang biak agar dapat menginfeksi bagian tumbuhan yang masih sehat. Bagian daun pada tumbuhan yang menjadi tempat untuk pathogen berkembang biak, sehingga dapat mengakibatkan kematian jaringan pada daun dan membuat tumbuhan tidak dapat berkembang atau mati. Leaf spot dan leaf blight merupakan penyakit yang disebabkan oleh pathogen dan sering ditemukan pada tumbuhan seperti yang ditemukan pada tomat (Solanum lycopersicum syn). Identifikasi penyakit pada tanaman tomat dapat dilakukan dengan pendekatan image processing menggunakan gambar (image) dari daun tomat yang terkena penyakit berak (spot) dan hawar (blight). Gambar yang digunakan dilakukan proses segmentasi terlebih dahulu untuk memisahkan object penyakit dari background yang bukan area penyakit, area penyakit daun tomat berhasil tersegmentasi pada proses pengurangan antar channel warna Green–Red (GR). Sebaliknya invers channel warna tersebut mengsegmentasi area daun berwarna hijau atau area sehat. Setelah berhasil tersegmentasi selanjutnya image GR dilakukan pengenalan ciri menggunakan dua metode yang berbeda Gray Level Co-occurrence Matrix (GLCM) dan Discrete Wavelet Transform (DWT). Kedua metode dapat mengenali ciri penyakit daun dengan baik berdasarkan pada nilai Energy dan Entropy yang diperoleh. Tahapan selanjutnya dapat menambahkan teknik Machine Learning (ML) agar hasil pengenalan ciri penyakit daun dapat diklasifikasikan dan dijadikan model untuk melatih atau mengenali penyakit daun pada varietas tumbuhan yang lain.
Perbandingan Algoritma Naive Bayes di dalam Scikit-Learn Python Library dengan Murni Algoritma Naive Bayes: Studi Kasus Klasifikasi Email Berbahaya Herdian, Cevi
Techno Xplore : Jurnal Ilmu Komputer dan Teknologi Informasi Vol 9 No 1 (2024): Techno Xplore: Jurnal Ilmu Komputer dan Teknologi Informasi
Publisher : Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Buana Perjuangan Karawang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36805/technoxplore.v9i1.5824

Abstract

Saat ini, penggunaan email yang masif telah meluas dan memiliki dampak baik dan buruk. Salah satu dampak negatif adalah munculnya email spam, yang berisi promosi produk, konten pornografi, virus, dan konten tidak penting yang dikirim ke banyak orang tanpa permintaan. Hal tersebut bisa terjadi dikarenakan kebocoran data, penjualan data ilegal, dan pendaftaran kita sendiri ke berbagai grup dan milis-milis tertentu yang disalahgunakan. Untuk mengatasi masalah ini, diperlukan metodologi klasifikasi email yang dapat secara otomatis mendeteksi apakah sebuah email merupakan spam email berbahaya atau bukan. Penelitian ini bertujuan untuk mengembangkan sebuah model klasifikasi email spam dan non-spam menggunakan Algoritma Naïve Bayes dengan menggunakan dua pendekatan, yaitu penggunaan library scikit-learn dan juga matematika murni Algoritma Naïve Bayes. Penggunaan matematika murni suatu algoritma sangat jarang digunakan di dalam perbandingan antar algoritma. Biasanya memperbandingkan beberapa algoritma. Oleh karena itu, peneliti mencoba melakukan perbandingan tersebut di dalam penelitian ini. Hasil penelitian menunjukkan bahwa penggunaan Algoritma Naïve Bayes dengan library scikit-learn mampu melakukan klasifikasi dengan sangat baik, mencapai tingkat akurasi sebesar 97%, sedangkan penerapan metode matematika Naïve Bayes yang menghasilkan tingkat akurasi yang lebih besar yaitu 98%.
Identifikasi Ciri Link Phishing Menggunakan Algoritma Random Forest Untuk Meningkatkan Keamanan Cyber Tampinongkol, Felliks; Ilham, Rozali; Kamila, Ahya; Purnomo, Yunianto; Herdian, Cevi; Virginia, Stella
Techno Xplore : Jurnal Ilmu Komputer dan Teknologi Informasi Vol 9 No 2 (2024): Techno Xplore: Jurnal Ilmu Komputer dan Teknologi Informasi
Publisher : Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Buana Perjuangan Karawang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36805/technoxplore.v9i2.7664

Abstract

Abstract— Keamanan data digital diera teknologi yang semakin berkembang menjadi salah satu fokus utama yang harus diantisipasi agar tidak terjadi pencurian data atau privasi. Data privasi berupa pesan elektronik (email), nama, nomer handphone, password sampai pada nomer rekening bank tidak boleh sampai diketahui oleh orang yang tidak bertanggung jawab, karena akan menyebabkan dampak yang serius seperti pembobolan rekening bank dan tindak cybercrime yang lain. Salah satu tindak kejahatan cyber yang marak terjadi adalah link phishing, yang membuat korban dapat terkecoh apabila tidak melihat link dengan lebih teliti. Dengan memanfaatkan teknologi Artificial Intelligence (AI) dan Machine Learning (ML) dapat dibuat suatu system yang mampu mendeteksi apakah link tersebut terkategori sebagai link phishing atau legitimate link. Suatu link dapat dikatakan sebagai phishing atau legitimate itu dapat dilihat dari karakteristik link tersebut (features). Setiap link memiliki domain yang unik, keunikan dari domain ini yang digunakan sebagai nilai masukan pada system AI dan diproses menggunakan algoritma Random forests classification. Berdasarkan dengan hasil yang diperoleh system AI yang dirancang menggunakan random forest classification dapat memprediksi atau membedakan link phishing atau legitimate sebesar 0.77% sebagai nilai akurasi model, dengan menggunakan 6 features untuk digunakan sebagai data training. Penggunaan data link dan penambahan features yang akan digunakan sebagai data latih juga dapat dilakukan untuk meningkatkan akurasi dan presisi dari model yang telah diperoleh.
Analisa Pengaruh Penambahan Fitur dengan Perbandingan Algoritma berbasis Bagging dan Boosting pada Deteksi Phishing Link Kamila, Ahya Radiatul; Adikara, Fransiskus; Sutrisno, Sutrisno; Herdian, Cevi
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 3 (2024): Volume 10 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i3.83366

Abstract

Deteksi phishing link merupakan tantangan kritis dalam keamanan siber yang memerlukan teknik analisis canggih untuk membedakan antara link sah (legitimate link) dan link berbahaya (phishing link). Hal ini perlu dilakukan karena seiring dengan perkembangan teknologi, ancaman phishing semakin kompleks dan sulit dikenali, sehingga tidak hanya dapat menyebabkan kerugian finansial, tetapi juga dapat merusak reputasi organisasi dan menimbulkan kerentanan lebih lanjut terhadap serangan siber lainnya. Dengan peningkatan kompleksitas serangan phishing, pendekatan konvesional tidak lagi cukup efektif, oleh karena itu, diperlukan teknik yang lebih adaptif seperti machine learning untuk mengenali pola-pola dalam link yang menunjukkan potensi ancaman. Penelitian ini bertujuan untuk mendeteksi dini phishing link menggunakan algoritma machine learning dengan menganalisis pengaruh penggunaan feature engineering dengan membandingkan performa algoritma berbasis bagging dan boosting. Dalam penelitian ini, kami mengembangkan fitur baru ('Count_/_Path' dan 'path_length') yang merupakan hasil ekstraksi dari fitur yang sudah ada dan mengevaluasinya menggunakan pehitungan nilai Mutual Information untuk meningkatkan akurasi model. Hasil penelitian menunjukkan bahwa penambahan fitur 'Count_/_Path' dan 'path_length' secara signifikan meningkatkan kinerja model. Selain itu, kami membandingkan tiga algoritma machine learning, yaitu Random Forest, Gradient Boosting, dan XGBoost. Dari hasil perbandingan, algoritma XGBoost dengan penambahan fitur menunjukkan performa terbaik dengan akurasi 92%, recall 94%, dan presisi 91%. Dimana Random Forest hanya penghasilkan akurasi 91%, recall 92%, presisi 90% dan Gradient Boosing hanya menghasilkan akurasi 90%, recall 93%, presisi 88%.    
One-hot encoding feature engineering untuk label-based data studi kasus prediksi harga mobil bekas Herdian, Cevi; Kamila, Ahya; Tampinongkol, Felliks Feiters; Kembau, Agung Stefanus; Budidarma, I Gusti Agung Musa
Informasi Interaktif : Jurnal Informatika dan Teknologi Informasi Vol 9 No 1 (2024): JII Volume 9, Number 1, Januari 2024
Publisher : Program Studi Informatika Fakultas Teknik Universitas Janabadra

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37159/jii.v9i1.41

Abstract

Penggunaan machine learning telah meluas di berbagai industri untuk analisis tren dan prediksi. Untuk memprediksi harga mobil bekas yang fluktuatif, penelitian ini menerapkan salah satu teknik Feature Engineering yaitu One-Hot Encoding, sebuah teknik Feature Engineering yang fokus kepada data-data label atau non-numeric. Studi ini mengeksplorasi data harga penjualan mobil bekas sebagai target variabel dan beberapa fitur seperti produsen, tahun keluaran, tipe mesin, jumlah pintu, dan popularitas. Hasil dari proses Feature Engineering ini sangatlah bagus, dimana R-Squared untuk data validasi adalah 0.85 dan untuk data testing adalah 0.86. Hasil penelitian ini memberikan informasi yang berharga bagi para peneliti dan profesional bisnis yang ingin membuat sebuah model prediksi khususnya bagaimana menangani sebuah data yang bentuknya adalah label kategori atau non-numeric.