Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi
Sulistianingsih, Neny
Universitas Bumigora
Computer Science & IT

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

Found 2 Documents
Search

 1 
Perbandingan Algoritma Boosting Untuk Klasifikasi Gaya Belajar Siswa Sekolah Menengah Kejuruan Ihsan, M Khaerul; Saputri, Dian Syafitri Chani; Sulistianingsih, Neny
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 14, No 2: Agustus 2025
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v14i2.2701

Abstract

Education is a planned activity to improve human resources. However, based on interviews at SMKN 2 Mataram, the learning process has not been running optimally because the teaching method is not in accordance with the student learning styles. This study aims to identify students learning styles (Visual, Auditory, and Kinesthetic) using the Boosting method, namely AdaBoost, Gradient Boosting, and XGBoost. Data were obtained from questionnaires that had been tested for validity and reliability, and distributed to 203 students in grades X and XI from the TKJ, RPL, and ULW department. The dataset was divided into tree schemes: 70:30, 80:20, and 90:10. The best result were obtainet from XGBoost in the 70:30 scheme with an accuracy of 0.93, precision of 1.00, recall of 0.97, anf f1-score of 0.97. GradentBoost followed with an accuracy of 0.92, while ADaBoost had the lowest accuracy of 0.80. thus, XGBoost is superior and can be used as a refence in determining learning methods according to student charateristics.Keywords: Boosting Algorithm; Classification; Learning Style; Algorithm Comparison AbstrakPendidikan merupakan aktivitas terencana untuk meningkatkan mutu sumber daya manusia. Namun, berdasarkan wawancara di SMKN 2 Mataram, proses pembelajaran belum berjalan optimal karena metode pengajaran tidak sesuai dengan gaya belajar siswa. Penelitian ini bertujuan untuk mengidentifikasi gaya belajar siswa (Visual, Auditori, dan Kinestetik) menggunakan metode Boosting, yaitu AdaBoost, Gradient Boosting, dan XGBoost. Data diperoleh dari kuesioner yang telah diuji validitas dan reliabilitasnya, dan disebarkan kepada 203 siswa kelas X dan XI dari jurusan TKJ, RPL, dan ULW. Dataset dibagi dalam tiga skema: 70:30, 80:20, dan 90:10. Hasil terbaik diperoleh dari XGBoost pada skema 70:30 dengan akurasi 0.93, precision 1.00, recall 0.97, dan f1-score 0.97. Gradient Boosting menyusul dengan akurasi 0.92, sedangkan ADaBoost memiliki akurasi terendah sebesar 0.80. Dengan demikian, XGBoost lebih unggul dan dapat dijadikan referensi dalam menentukan metode pembelajaran sesuai karakteristik siswa. 
Model Deteksi Serangan Jaringan Menggunakan Machine Learning Dengan Teknik Ensemble Learning Lauw, christopher Michael; Anggrawan, Anthony; Sulistianingsih, Neny
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 1 (2026): Februari 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i1.3369

Abstract

Network attacks pose a serious threat to the security of digital infrastructure, making accurate and efficient detection an urgent necessity. The National Cyber and Crypto Agency (BSSN) recorded 330,527,636 instances of anomalous traffic or network attacks. This sheer volume renders  manual  handling  by  cybersecurity  personnel  highly  impractical.  Consequently, a detection system based on Machine Learning (ML) is required. However, single machin e learning models have proven suboptimal in effectively resolving this complex problem. This research aims to develop a robust Network Intrusion Detection Model by employing advanced Ensemble Learning techniques—specifically Bagging, Boosting, and Stacking—to significantly optimize the performance of the base ML models. The study utilizes the UNR-IDD dataset. The methodology begins with comprehensive Data Preprocessing, including Min-Max Scaling and Dimensionality Reduction. Model performance is comprehensively evaluated using classification metrics across three distinct data splitting scenarios (70:30, 80:20, and 90:10) to identif y the optimal configuration. The experimental results demonstrate that the Stacking Ensemble Learning approach achieves the most optimal accuracy among the tested methods.Keywords: Network Intrusion Detection; Machine Learning; Ensemble Learning; Stacking; Dimensionality ReductionAbstrakSerangan jaringan telah menjadi ancaman serius bagi keamanan inf rastruktur digital . Badan Siber dan Sandi Negara (BSSN) mencatat terdapat 330.527.636 kasus traff ic anomali atau serangan jaringan. Hal tersebut sangat tidak memungkinkan personal keamanan siber untuk menanganinya. Maka, dibutuhkan sistem deteksi berbasis Machine Learning . model Machine Learning tunggal belum optimal dalam deteksi serangan jaringan. Penelitian ini bertujuan untuk memodelkan deteksi serangan jaringan menggunakan  Machine Learning dengan teknik ensemble learning bagging, boosting, dan stacking, guna untuk mengoptimalkan perf orma model Machine Learning. Penelitian ini menggunakan dataset UNR-IDD. Penelitian ini bertujuan mengembangkan Model  Deteksi  Serangan Jaringan yang robust menggunakan  teknik Ensemble Learning. Proses dimulai dengan Data Preprocessing, meliputi Min-Max Scaling dan Reduksi Dimensi. Model dievaluasi komprehensif menggunakan metrik klasif ikasi. Pada tiga skenario pembagian data (70:30, 80:20, 90:10) untuk mengidentif ikasi konf igurasi optimal. Hasil dari penelitian ini menunjukan bahwa Ensemble Learning stacking memilii akurasi yang paling optimal, dengan keseimbangan akurasi, presisi , F1 Score, dan Recall mencapai 100% . 
Co-Authors Anggrawan, Anthony Ihsan, M Khaerul Lauw, christopher Michael Saputri, Dian Syafitri Chani