Article Per Year (5 Year)
p-Index From 2021 - 2026
1.383
P-Index
This Author published in this journals
All Journal Jurnal Edukasi dan Penelitian Informatika (JEPIN) Techno Xplore : Jurnal Ilmu Komputer dan Teknologi Informasi Jurnal Sosial dan Teknologi Journal Of World Science Informasi interaktif : jurnal informatika dan teknologi informasi
Herdian, Cevi
Unknown Affiliation
Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Economics, Econometrics & Finance Education Engineering Environmental Science Health Professions Law, Crime, Criminology & Criminal Justice Social Sciences

Published : 8 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 8 Documents
Search

 1 
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.
Modeling Short-Term Bitcoin Price Dynamics Using Long Short-Term Memory Networks Herdian, Cevi
Jurnal Sosial Teknologi Vol. 6 No. 2 (2026): Jurnal Sosial dan Teknologi
Publisher : CV. Green Publisher Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59188/jurnalsostech.v6i2.32702

Abstract

A Long Short-Term Memory (LSTM) neural network trained on daily BTC/USDT data from the Binance exchange is used in this study to investigate short-term Bitcoin price dynamics. Instead of relying on linear forecasting assumptions, the model is designed to capture temporal dependencies and momentum patterns to address the nonlinear and noise-dominated nature of cryptocurrency markets. A strictly out-of-sample framework is employed to evaluate the prediction task, which is defined as a univariate regression problem with the daily high price as the target variable. According to empirical findings, the LSTM model demonstrates strong statistical performance despite significant market volatility, with an RMSE of USD 3,619.74, an MAE of USD 2,989.73, a MAPE of 2.82%, and an R² of 0.90. Forecasts for the next five days reveal a consistent short-term bearish trend, with broad prediction intervals of approximately USD 6,000, indicating considerable uncertainty and expected prices declining from USD 88,425.62 to USD 85,497.88. The results suggest that LSTM models can extract meaningful trend and regime information, making them suitable as risk-aware decision-support tools rather than deterministic forecasting systems, even though precise short-term price-level prediction remains constrained.
An LSTM-Based Framework For Short-Term Solana Price Prediction Herdian, Cevi
Jurnal Sosial Teknologi Vol. 6 No. 2 (2026): Jurnal Sosial dan Teknologi
Publisher : CV. Green Publisher Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59188/jurnalsostech.v6i2.32715

Abstract

This study examines short-term Bitcoin price dynamics using a Long Short-Term Memory (LSTM) neural network trained on hourly SOL/USDT data from the Binance exchange. To address the nonlinear and noise-dominated nature of cryptocurrency markets, the model is designed to capture momentum patterns and temporal dependencies rather than rely on linear forecasting assumptions. The prediction task, framed as a univariate regression problem with the daily high price as the target variable, is evaluated using a strictly out-of-sample framework. Empirical results show that despite considerable market volatility, the LSTM model demonstrates strong statistical performance. The model’s RMSE of 10.53, MAE of 8.76, MSE of 110.92, MAPE of 6.09%, and R² of 0.78 indicate that its nonlinear architecture captures a substantial portion of price volatility. In terms of absolute price, the model achieved an RMSE of USD 3,619.74, an MAE of USD 2,989.73, a MAPE of 2.82%, and an R² of 0.90, demonstrating its robustness in both normalized and real-scale assessments. Forecasts suggest that SOL prices are likely to decline from USD 88,425.62 to USD 85,497.88 over the next five days, reflecting a persistent short-term bearish trend with wide prediction intervals of around USD 6,000, indicating substantial uncertainty. These findings imply that LSTM models can effectively extract trend and regime-related information, making them valuable as risk-aware decision-support tools rather than deterministic forecasting systems—even though accurate short-term price-level prediction remains challenging.
Learning Nonlinear Temporal Patterns in Ethereum Prices Via LSTM Networks Herdian, Cevi
Journal of World Science Vol. 5 No. 2 (2026): Journal of World Science
Publisher : Riviera Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58344/jws.v5i2.1630

Abstract

A Long Short-Term Memory (LSTM) neural network trained on hourly ETH/USDT market data from the Binance exchange is used in this study to examine short-term Ethereum price behavior. The proposed model emphasizes learning temporal dependencies and momentum-driven structures rather than relying on conventional linear forecasting assumptions, acknowledging the highly nonlinear and noise-dominated nature of cryptocurrency markets. The daily high price of Ethereum is selected as the target variable in the forecasting task, which is defined as a univariate regression problem. To ensure realistic predictive assessment, model performance is evaluated using a strictly out-of-sample testing methodology. Empirical findings demonstrate that the LSTM model achieves a strong statistical fit despite significant market volatility. The obtained results—RMSE of 127.33, MAE of 98.76, MSE of 16,213.76, MAPE of 2.73%, and an R² of 0.96—indicate that a substantial portion of short-term price volatility is effectively captured by the nonlinear architecture. Even in a noise-dominated market, the low MAPE and high coefficient of determination suggest robust predictive alignment. Forecasts over the next five days reveal a recurring short-term directional pattern accompanied by widening prediction intervals, which reflect increasing uncertainty as the forecast horizon extends. This pattern underscores the intrinsic difficulty of achieving accurate price-level forecasts in highly volatile cryptocurrency markets. Overall, when applied to short-term cryptocurrency price dynamics, the results indicate that LSTM models are well-suited for capturing trend persistence and regime-related signals, affirming their usefulness as risk-aware decision-support tools rather than deterministic forecasting systems.
Co-Authors Adikara, Fransiskus Felliks Tampinongkol, Felliks Ginting, Jusia A Hasan Basri I Gusti Agung Musa Budidarma Budidarma Kamila, Ahya Kamila, Ahya Radiatul Kembau, Agung Stefanus Purnomo, Yunianto Rozali Ilham Sutrisno, Sutrisno Tampinongkol, Felliks Feiters Virginia, Stella