Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Jurnal Nasional Komputasi dan Teknologi Informasi AR-RUMMAN: Journal of Education and Learning Evaluation
Rizal Muslim Sinaga
Universitas Negeri Medan
Aerospace Engineering Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Neuroscience Transportation

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Analisis Numerik Gerak Jatuh Bebas: Penerapan Metode Deret Taylor dengan MATLAB Rizal Muslim Sinaga; Safitra Randiawan Lubis; Fahra Pebiana Putri; Putri Harliana
AR-RUMMAN: Journal of Education and Learning Evaluation Vol 1, No 2 (2024): Desember 2024
Publisher : CV. Rayyan Dwi Bharata

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57235/arrumman.v1i2.4200

Abstract

Persamaan diferensial biasa (PDB) sering muncul di berbagai bidang ilmu pengetahuan, termasuk fisika dan biologi. Salah satu penerapan PDB dalam fisika adalah fenomena gerak jatuh bebas. Penelitian ini berfokus pada penerapan metode deret Taylor untuk menyelesaikan PDB, dengan studi kasus gerak jatuh bebas. Metode deret Taylor dapat menjadi rumit secara manual, terutama untuk orde yang lebih tinggi, sehingga penggunaan software seperti MATLAB sangat penting untuk mempercepat perhitungan dan meningkatkan akurasi dibandingkan metode manual. Hasil penelitian ini membuktikan bahwa metode deret Taylor dapat diterapkan secara efektif untuk menyelesaikan PDB dalam kasus gerak jatuh bebas. Selain itu, simulasi MATLAB juga terbukti menjadi alat yang bermanfaat dalam membantu pemahaman fenomena fisika dan mendukung pendidikan fisika dengan memberikan visualisasi yang lebih jelas.
Sistem Logging Jaringan Berbasis Web dengan Visualisasi Interaktif dan Analisis Anomali sebagai Solusi Keterbatasan Sistem Konvensional Rizal Muslim Sinaga; Dedy Kiswanto; Ega Pratama; Yohana Lorinez S.
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 8, No 6 (2025): Desember 2025
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v8i6.9937

Abstract

Abstrak - Pertumbuhan ekosistem digital di lingkungan kampus menghasilkan volume log jaringan yang tinggi sehingga administrator kesulitan mengidentifikasi anomali secara manual. Penelitian ini menghadirkan sistem logging berbasis web yang mengintegrasikan Django sebagai layanan aplikasi, ELK Stack untuk agregasi dan visualisasi real-time, serta modul machine learning RandomForest yang dilatih menggunakan dataset UNSW-NB15 guna mengklasifikasikan tipe serangan. Telegram Bot API digunakan sebagai kanal notifikasi instan ketika pola mencurigakan ditemukan. Metode Research and Development diterapkan untuk merancang arsitektur, mengimplementasikan modul, dan menguji performa sistem. Evaluasi menunjukkan akurasi model sebesar 81,54% dengan f1-score tertinggi 99,05% pada trafik Generic, sedangkan kelas dengan data terbatas seperti Backdoor masih menantang. Integrasi dashboard dan notifikasi menurunkan waktu investigasi insiden serta membuktikan bahwa sinergi visualisasi dan analitik dapat memperkuat ketahanan keamanan jaringan kampus.Kata kunci : Logging jaringan; ELK Stack; deteksi anomali; machine learning; Telegram Bot; Abstract - The rapid expansion of campus digital services produces high-volume network logs that complicate manual anomaly analysis. This article presents a web-based logging system that combines Django as the application layer, the ELK Stack for real-time aggregation and visualization, and a RandomForest model trained on the UNSW-NB15 dataset to classify attack categories. A Telegram Bot API integration delivers instant notifications when suspicious patterns emerge. A Research and Development methodology guides the architecture design, module implementation, and performance evaluation. Experiments report 81.54% accuracy with the highest f1-score of 99.05% on Generic traffic, while minority classes such as Backdoor remain challenging. The integrated dashboard and notification flow reduce incident investigation time and demonstrate how visual analytics and machine learning improve campus network resilience.Keywords: Network logging; ELK Stack; anomaly detection; machine learning; Telegram Bot;
Analisis Kinerja Sistem Transportasi Daring: Simulasi Dampak Ukuran Armada dan Algoritma Penugasan Terhadap Waktu Tunggu Pelanggan Muhammad Rizki Alfahri; Zulfahmi Indra; Rizal Muslim Sinaga; Agata Putri Handayani Simbolon
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 8, No 6 (2025): Desember 2025
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v8i6.9895

Abstract

Abstrak - Mobilitas perkotaan modern bergantung pada layanan transportasi online.  Optimasi ukuran armada dan algoritma penugasan sangat penting untuk kinerja sistem ini; namun, penelitian empiris tentang perbedaan antara kedua komponen tersebut masih sedikit.  Studi ini menggunakan simulasi komputer untuk melihat bagaimana interaksi antara ukuran armada dan algoritma penugasan berdampak pada waktu tunggu pelanggan.  Studi ini menguji 24 skenario yang menggabungkan 8 ukuran armada (3–30 driver) dan 3 algoritma penugasan (paling dekat, pengaturan acak, dan berbasis queue).  Algoritma driver paling dekat mengurangi waktu tunggu rata-rata sebesar 41,6 persen dibandingkan dengan random assignment, dan setiap simulasi dijalankan selama 150 langkah waktu.  Dengan service rate 100%, armada 25 driver mencapai zero waiting time. Studi ini menunjukkan bukti nyata bahwa kinerja sistem transportasi online dapat secara signifikan ditingkatkan dengan mengoptimalkan kombinasi armada dan algoritma.  Untuk mencapai tingkat efisiensi operasional terbaik, disarankan untuk menggunakan algoritma driver terdekat dengan armada 20 hingga 25 driver.Kata kunci: Transportasi Daring; Optimasi Armada; Algoritma Penugasan; Waktu Tunggu; Simulasi Agent-based; Abstract - Modern urban mobility depends on online transportation services.  Optimizing fleet size and assignment algorithms is critical to the performance of these systems; however, empirical research on the differences between these two components is still scarce.  This study uses computer simulations to examine how the interaction between fleet size and assignment algorithms affects customer wait times.  The study tested 24 scenarios combining 8 fleet sizes (3–30 drivers) and 3 assignment algorithms (nearest driver, random assignment, and queue-based).  The nearest driver algorithm reduced average waiting time by 41.6 percent compared to random assignment, and each simulation ran for 150 time steps.  With a service rate of 100%, a fleet of 25 drivers achieved zero waiting time. This study provides clear evidence that the performance of online transportation systems can be significantly improved by optimizing the combination of fleet size and algorithm. To achieve the highest level of operational efficiency, it is recommended to use the nearest driver algorithm with a fleet size of 20 to 25 drivers.Keywords: Online Transportation; Fleet Optimization; Assignment Algorithm; Waiting Time; Agent-based Simulation;
Co-Authors Agata Putri Handayani Simbolon Dedy Kiswanto Ega Pratama Fahra Pebiana Putri Muhammad Rizki Alfahri Safitra Randiawan Lubis Yohana Lorinez S. Zulfahmi Indra, Zulfahmi