Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Ilmu Komputer Banthayo Lo Komputer (BALOK) Journal Science Informatica and Robotics
Muhammad Erdiansyah
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Mechanical Engineering

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

Found 2 Documents
Search

 1 
Implementasi Metode XGBoost Dalam Seleksi Atribut Pada Algoritma K-Means Untuk Clustering Masyarakat Penerima Bantuan Langsung Tunai Amiruddin; Maryam Hasan; Muhammad Erdiansyah
Jurnal Ilmiah Ilmu Komputer Banthayo Lo Komputer Vol 3 No 2 (2024): November 2024
Publisher : Teknik Informatika Fakultas Ilmu Komputer Universitas Ichsan Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37195/balok.v3i2.1193

Abstract

Penelitian ini mengkaji implementasi metode XGBoost dalam seleksi atribut pada algoritma K-Means untuk clustering masyarakat penerima Bantuan Langsung Tunai (BLT). Dalam konteks ini, 14 atribut awal digunakan untuk menggambarkan karakteristik rumah tangga penerima BLT: Luas Lantai, Lantai Rumah, Dinding Rumah, MCK, Sumber Listrik, Sumber Air, Bahan Bakar, Konsumsi, Pakaian, Tidak Sanggup Berobat, Sumber Penghasilan KK, Penghasilan KK, Pendidikan KK, dan Tabungan. Metode XGBoost diaplikasikan untuk menyeleksi atribut yang paling relevan dalam menentukan kelompok penerima BLT. Dari hasil seleksi, ditemukan tiga atribut penting yaitu Luas Lantai, Lantai Rumah, dan Penghasilan KK. Implementasi K-Means clustering dilakukan dua kali, pertama menggunakan seluruh atribut dan kedua menggunakan tiga atribut penting yang telah diseleksi oleh XGBoost. Analisis hasil clustering menunjukkan bahwa sebelum seleksi atribut, nilai Davies-Bouldin Index (DBI) sebesar 1.325. Setelah seleksi atribut penting, nilai DBI menurun menjadi 0.800. Penurunan nilai DBI sebesar 0.525 ini mengindikasikan bahwa hasil clustering menjadi lebih optimal setelah penerapan XGBoost. Dengan demikian, penelitian ini menyimpulkan bahwa penggunaan XGBoost untuk seleksi atribut dapat meningkatkan kinerja K-Means dalam clustering masyarakat penerima BLT, menghasilkan grup yang lebih jelas dan homogen. Temuan ini memiliki implikasi penting untuk meningkatkan efisiensi dan efektivitas program penyaluran BLT dengan mendasarkan keputusan pada atribut yang paling berpengaruh. Kata Kunci: XGBoost, K-Menas, Clustering, Seleksi Atribut, Bantuan Langsung Tunai
ANALISIS DAN IMPLEMENTASI MODUL DETEKSI ENKRIPSI AUTOPSY Mahathir, Briliant; Ikhsan Dwi Saputra; Muhammad Erdiansyah; Yoga El Saputra; Rometdo Muzawi
JOCITIS-Journal Science Infomatica and Robotics Vol. 1 No. 3 (2024): JOCOTIS - Journal Science Informatica and Robotics
Publisher : JOCITIS-Journal Science Infomatica and Robotics

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk menganalisis dan mengimplementasikan modul deteksi enkripsi pada platform forensik komputer Autopsy. Dalam beberapa tahun terakhir, perkembangan teknologi informasi telah meningkatkan penggunaan enkripsi pada berbagai perangkat dan platform. Penelitian ini memfokuskan pada analisis data yang dienkripsi menggunakan modul enkripsi tertentu pada perangkat lunak forensik Autopsy, dengan tujuan meningkatkan kemampuan Autopsy dalam menghadapi tantangan forensik terkait data terenkripsi. Studi literatur mencakup tinjauan terhadap Autopsy Forensic Tools, sebuah alat forensik berbasis GUI yang digunakan dalam berbagai bidang, dan Encryption Detection Module, sebuah modul yang mencari file yang dapat dienkripsi dengan berbagai algoritma. Digital forensics, sebagai disiplin ilmu forensik, memberikan landasan konseptual untuk penelitian ini. Metode penelitian melibatkan studi pustaka, konfigurasi Autopsy, dan implementasi modul deteksi enkripsi. Modul ini dirancang untuk mengidentifikasi berbagai jenis enkripsi, termasuk file yang memiliki tingkat entropi tertentu, file yang dilindungi kata sandi, dan volume BitLocker, dengan fokus pada kemampuan Autopsy sebagai platform analisis forensik komputer. Modul deteksi enkripsi yang diimplementasikan diharapkan dapat meningkatkan kemampuan Autopsy dalam mengidentifikasi, menganalisis, dan memberikan laporan terkait data terenkripsi, membantu penyidikan kejahatan dan insiden keamanan yang melibatkan teknologi informasi. Hasil dari analisis dengan ingest module Encryption Detection menghasilkan nilai entropy 7.775687 hingga 7.988494. Hasil penelitian diharapkan dapat memberikan kontribusi pada pengembangan analisis forensik komputer, khususnya dalam konteks data terenkripsi.
Co-Authors Amiruddin Bengnga Ikhsan Dwi Saputra Mahathir, Briliant Maryam Hasan Rometdo Muzawi, Rometdo Yoga El Saputra