Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Interdisciplinary Social Studies Jurnal Minfo Polgan (JMP)
Irlon, Irlon
Unknown Affiliation
Computer Science & IT Environmental Science Languange, Linguistic, Communication & Media Library & Information Science Mathematics Public Health Social Sciences

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

Found 2 Documents
Search

 1 
IoT Security Model with Machine Learning and Edge Computing for Smart Poultry Farm Irlon, Irlon; Muryanto, Teguh; Alvionita, Annisa
Interdisciplinary Social Studies Vol. 4 No. 3 (2025): Regular Issue: April-June 2025
Publisher : International Journal Labs

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55324/iss.v4i3.876

Abstract

This study discusses the application of the Internet of Things (IoT) in the poultry farming sector, which is increasingly advancing through the integration of machine learning and edge computing to improve production efficiency and animal welfare. However, the cybersecurity aspect of this system remains a major challenge. The study aims to design an IoT security model based on machine learning and edge computing that can detect and prevent anomalies or potential cyberattacks in real-time within smart poultry farming systems. The developed model utilizes environmental and operational data from IoT sensors, which are processed locally using edge devices and analyzed with the Random Forest algorithm for early detection of suspicious activities. In addition to Random Forest, the performance evaluation also involves benchmarking algorithms such as Support Vector Machine (SVM), Multi-Layer Perceptron (MLP), and Extreme Gradient Boosting (XGBoost). Initial results show that the combination of Random Forest architecture and edge computing provides the highest anomaly detection accuracy and the lowest processing latency compared to other models, emphasizing the importance of a proactive, artificial intelligence-based security approach in modern agricultural IoT environments.
Implementasi Machine Learning untuk Deteksi Intrusi pada Jaringan Komputer Sari, Dyan Prawita; Halim, Zuhri; Irlon, Irlon; Waseso, Bayu; Saromah, Saromah
Jurnal Minfo Polgan Vol. 13 No. 2 (2024): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v13i2.14074

Abstract

Dalam era digital yang semakin berkembang, keamanan jaringan komputer menjadi isu yang sangat penting, terutama dengan meningkatnya ancaman dari serangan siber. Salah satu metode yang efektif dalam mendeteksi ancaman tersebut adalah melalui implementasi machine learning. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model machine learning yang mampu mendeteksi intrusi pada jaringan komputer secara real-time. Model yang diusulkan menggunakan teknik supervised learning, di mana dataset yang berisi lalu lintas jaringan normal dan lalu lintas yang mengandung serangan digunakan untuk melatih algoritma. Algoritma yang dipertimbangkan meliputi Decision Tree, Random Forest, dan Support Vector Machine (SVM). Penelitian ini juga melakukan analisis komparatif untuk menilai kinerja masing-masing algoritma dalam hal akurasi, presisi, recall, dan waktu pemrosesan. Hasil eksperimen menunjukkan bahwa model machine learning yang diterapkan mampu mendeteksi berbagai jenis serangan dengan tingkat akurasi yang tinggi, mencapai lebih dari 95% pada dataset uji. Selain itu, Random Forest terbukti menjadi algoritma yang paling efektif dalam mendeteksi intrusi dengan keseimbangan terbaik antara akurasi dan waktu pemrosesan. Implementasi sistem ini diharapkan dapat meningkatkan kemampuan deteksi intrusi pada jaringan komputer, sehingga membantu dalam menjaga keamanan data dan mengurangi potensi kerugian akibat serangan siber.
Co-Authors Alvionita, Annisa Muryanto, Teguh Sari, Dyan Prawita Saromah, Saromah Waseso, Bayu Zuhri Halim, Zuhri