Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Nasional Komputasi dan Teknologi Informasi AR-RUMMAN: Journal of Education and Learning Evaluation
Fahra Pebiana Putri
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 : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 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.
Perancangan dan Implementasi Sistem Logging Jaringan Berbasis Website dengan Fitur Multi-User Real-Time dan Deteksi Tri Sapta Warman Zai; Dedy Kiswanto; Fahra Pebiana Putri; Bob Valentino
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.v8i6.9915

Abstract

Abstrak - Perkembangan teknologi informasi menimbulkan tantangan dalam deteksi anomali log secara real-time. Penelitian ini mengembangkan NetLog, sistem monitoring log dengan pendekatan hybrid yang menggabungkan deep learning dan deteksi berbasis aturan. Sistem menggunakan Autoencoder untuk mempelajari pola log normal dan rule-based detector sebagai fallback. Arsitektur terdiri dari backend FastAPI, frontend React/Next.js, dan modul anomaly detection. Hasil implementasi menunjukkan sistem berhasil mendeteksi 60% serangan simulasi dengan precision 100% dan recall 20%. Evaluasi komprehensif menunjukkan ROC AUC 82% dan PR AUC 86.7%, mengindikasikan kemampuan model yang baik dalam membedakan log normal dan log anomali. Dashboard real-time menampilkan log dengan latensi di bawah 2 detik. Kesimpulannya, pendekatan hybrid pada NetLog terbukti efektif memperluas cakupan deteksi anomali dibandingkan metode tunggal, meskipun masih diperlukan peningkatan sensitivitas deteksi.Kata kunci: Deteksi Anomali; Autoencoder; Deep Learning; Monitoring Log; Sistem Real-time; Abstract - The rapid advancement of information technology poses new challenges in real-time log anomaly detection. This study develops NetLog, a log monitoring system based on a hybrid approach that combines deep learning with rule-based detection. The system employs an Autoencoder to learn normal log patterns and a rule-based detector as a fallback mechanism. The architecture consists of a FastAPI backend, React/Next.js frontend, and an anomaly detection module. The implementation results show that the system successfully detected 60% of simulated attacks with 100% precision and 20% recall. A comprehensive evaluation demonstrates ROC AUC of 82% and PR AUC of 86.7%, indicating a strong ability of the model to distinguish between normal and anomalous logs. The real-time dashboard displays log data with latency below 2 seconds. In conclusion, the hybrid approach of NetLog effectively broadens anomaly detection coverage compared to single-method systems, although improvements in sensitivity are still required.Keywords: Anomaly Detection; Autoencoder; Deep Learning; Log Monitoring; Real-time System;
Co-Authors Bob Valentino Dedy Kiswanto Rizal Muslim Sinaga Safitra Randiawan Lubis Tri Sapta Warman Zai