Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal IJCCS (Indonesian Journal of Computing and Cybernetics Systems) bit-Tech
Nathaniel, Joese
Unknown Affiliation
Computer Science & IT Control & Systems Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Implementasi Load Balancing dan High Availability pada Sistem OpenBSD: Tinjauan Metode dan Kinerja Pataropura, Amesanggeng; Tarunay, Ignatius Oliver; Nathaniel, Joese
bit-Tech Vol. 7 No. 2 (2024): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v7i2.1725

Abstract

Artikel ini mengkaji implementasi load balancing dan high availability pada sistem operasi OpenBSD, dengan fokus pada dua fitur utama: Packet Filter (PF) dan Common Address Redundancy Protocol (CARP). Fitur-fitur ini memberi OpenBSD kemampuan yang kuat dalam hal keamanan, efisiensi failover, dan kinerja yang andal dalam arsitektur berbasis redundansi. Tujuan utama penelitian ini adalah memberikan tinjauan menyeluruh tentang bagaimana fitur load balancing dan redundansi pada OpenBSD dapat mengoptimalkan layanan web dan infrastruktur berbasis komputasi awan. Metodologi utama yang digunakan dalam studi ini meliputi evaluasi kinerja, analisis perbandingan dengan sistem Linux, dan pengaturan eksperimen dunia nyata menggunakan OpenBSD. Hasil penelitian menunjukkan bahwa OpenBSD adalah pilihan yang kompetitif untuk operasi jaringan yang aman dan menuntut, terutama di lingkungan yang memerlukan ketersediaan tinggi dan distribusi beban yang efektif. PF terbukti efektif dalam mengelola distribusi lalu lintas antar server, memastikan tidak ada satu server yang kelebihan beban. Selain itu, CARP mendukung failover otomatis, memungkinkan server cadangan langsung mengambil alih tanpa mengganggu layanan saat terjadi kegagalan pada server utama. Artikel ini juga mengidentifikasi beberapa area yang memerlukan penelitian lebih lanjut, seperti optimasi efisiensi failover CARP dan skalabilitas PF pada sistem berskala besar. Kesimpulan menunjukkan bahwa meskipun OpenBSD unggul dalam menjaga kinerja dan ketersediaan tinggi di jaringan berskala kecil hingga menengah, tantangan tetap ada dalam hal skalabilitas di lingkungan dengan lalu lintas besar. Terlepas dari tantangan tersebut, OpenBSD membuktikan diri sebagai alternatif yang layak untuk menangani tuntutan infrastruktur jaringan modern. Penelitian di masa depan diharapkan dapat fokus pada peningkatan kinerja OpenBSD untuk jaringan besar dan eksplorasi teknologi load balancing yang lebih canggih, yang dapat terintegrasi dengan fitur OpenBSD untuk memenuhi kebutuhan arsitektur jaringan yang terus berkembang.
Optimization of Multimodal Deep Learning for Depression Detection Hermawan, Aditiya; Daniawan, Benny; Edy, Edy; Nathaniel, Joese
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 19, No 4 (2025): October
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.111407

Abstract

Depression is a complex and often underdiagnosed mental health condition that manifests through subtle verbal, acoustic, and behavioral cues. Traditional unimodal detection systems struggle to capture the full spectrum of depressive symptoms, often leading to inaccurate or incomplete assessments. This study proposes a multimodal deep learning framework that integrates textual, audio, and visual modalities to improve the robustness and reliability of automatic depression detection, achieving an overall classification accuracy of 74%. The approach prioritizes privacy and interpretability by using facial keypoints and gaze direction rather than raw video frames, and applies attention mechanisms to align and fuse features across modalities. Each modality is processed through dedicated neural architectures tailored to its data type, and their outputs are combined within a fusion model that learns to capture cross-modal emotional patterns. Experimental results demonstrate that the proposed multimodal system significantly outperforms its unimodal counterparts in terms of classification performance. The visual modality was found to contribute most strongly to detection accuracy, as confirmed by ablation analysis. These findings highlight the value of multimodal integration in capturing complex psychological signals and support the development of intelligent, non-invasive screening tools for use in digital mental health applications.
Co-Authors Aditiya Hermawan Daniawan, Benny Edy Edy Pataropura, Amesanggeng Tarunay, Ignatius Oliver