Garuda - Garba Rujukan Digital

Pengembangan Model Stacking Machine Learning Dengan Optimasi Hyperparameter Untuk Deteksi Serangan Malware Pada Server Elvira Sawitri; Nadya Alinda Rahmi; Ilmawati Rahmi; Pradani Ayu Widya Purnama
Jurnal Sains Informatika Terapan Vol. 5 No. 1 (2026): Jurnal Sains Informatika Terapan (Februari, 2026)
Publisher : Riset Sinergi Indonesia (RISINDO)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62357/jsit.v5i1.973

Penelitian ini dilatarbelakangi oleh meningkatnya ancaman serangan malware yang mengganggu sistem server di lingkungan institusi pendidikan, termasuk Universitas Muhammadiyah Muara Bungo (UMMUBA). Server kampus menjadi pusat layanan akademik, administrasi, serta penyimpanan data penting, sehingga rentan terhadap gangguan keamanan yang disebabkan oleh aktivitas malware. Penanganan serangan ini tidak bisa lagi dilakukan secara manual karena keterbatasan waktu, sumber daya manusia, dan kompleksitas serangan yang terus berkembang. Oleh karena itu, dibutuhkan suatu sistem deteksi malware yang dapat bekerja secara otomatis, akurat, real-time, dan mudah dioperasikan oleh pengguna non-teknis. Penelitian ini bertujuan untuk mengembangkan model stacking machine learning dengan algoritma Naive Bayes (Gaussian, Multinomial, Bernoulli, Complement) sebagai base learners dan Logistic Regression sebagai meta learner. Untuk mengatasi masalah ketidakseimbangan data antara kelas malware dan non-malware, digunakan teknik SMOTE (Synthetic Minority Over-sampling Technique). Selain itu, performa model ditingkatkan dengan optimasi hyperparameter menggunakan GridSearchCV, sehingga diperoleh konfigurasi terbaik. Penelitian dilakukan melalui beberapa tahap, mulai dari pengumpulan dan pelabelan data dari log server UMMUBA, preprocessing data, pelatihan model dasar, pengembangan arsitektur stacking, evaluasi menggunakan metrik akurasi, precision, recall, dan F1-score, hingga implementasi ke dalam antarmuka aplikasi web berbasis Streamlit. Aplikasi ini memungkinkan pengguna untuk mengunggah file log dan mendapatkan hasil klasifikasi serta visualisasi performa model secara langsung. Hasil penelitian diharapkan mampu memberikan solusi nyata untuk deteksi malware pada server institusi pendidikan.

Penerapan Sistem Pendukung Keputusan untuk Strategi Digital Marketing Menggunakan AHP dan EDAS Pradani Ayu Widya Purnama; Indra Irawan; Nadya Alinda Rahmi; Desi Ardila; Kaila Azahra; Mutiara Sakinah
Sistem Pendukung Keputusan dengan Aplikasi Vol 4 No 1 (2025)
Publisher : Ali Institute or Research and Publication

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55537/spk.v4i1.1098

Pemasaran digital merupakan elemen penting dalam strategi bisnis modern, namun efektivitasnya sangat dipengaruhi oleh tren pasar, preferensi pelanggan, dan efisiensi iklan. Penelitian ini bertujuan mengoptimalkan strategi digital marketing di Toko Sumber Perabot dan Elektronik dengan menggunakan Sistem Pendukung Keputusan (SPK) berbasis metode Analytical Hierarchy Process (AHP) dan Evaluation based on Distance from Average Solution (EDAS). Metode AHP digunakan untuk menentukan bobot prioritas tiap kriteria pemasaran, sedangkan EDAS digunakan untuk merangking alternatif strategi berdasarkan jaraknya dari solusi rata-rata. Hasil penelitian menunjukkan bahwa strategi iklan di media sosial berbasis tren pasar memperoleh peringkat tertinggi dengan skor akhir 0,931, menandakan efektivitas yang lebih tinggi dibanding alternatif lainnya. Pendekatan ini membantu toko meningkatkan daya saing dan efisiensi pemasaran digital. Selain itu, metode AHP-EDAS terbukti mengurangi subjektivitas dalam pengambilan keputusan dan memberikan wawasan yang lebih akurat dalam menentukan strategi pemasaran yang optimal.

Naive Bayes Algorithm Classification for Predicting Graduation Rate Pradani Ayu Widya Purnama; Nurmaliana Pohan; Adiddo Restiady
JURNAL TEKNOLOGI DAN OPEN SOURCE Vol. 7 No. 2 (2024): Jurnal Teknologi dan Open Source, December 2024
Publisher : Universitas Islam Kuantan Singingi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36378/jtos.v7i2.3866

Classification refers to the process of identifying a model or function that clarifies or differentiates concepts or categories of data, with the goal of predicting the class of an object. Naïve Bayes is a machine learning technique that employs probability computations. In this case study, various algorithms are used for modeling classification, and the naïve bayes algorithm is applied to examine the graduation rate. By utilizing this method, accuracy is assessed, which allows for an analysis based on criteria such as School Major, First Choice of College, Second Choice of College, Average Graduation Value, and Graduation Information. The outcome of the computation utilizing the Naïve Bayes Algorithm (Information Systems | Option 1) > (Information Engineering | Option 2) is 53.32% > 0%, which allows us to infer that the First Option of Information Systems and the Second Option of Informatics Engineering yield an Average Score of 75.00, resulting in a Graduation Information status of PASS, thus, Information Pass (Option 1-Information Systems).

Predicting New Student Admissions with the SVM Regression Model in Data Mining Pradani Ayu Widya Purnama; Nurmaliana Pohan; Adiddo Restiady
JURNAL TEKNOLOGI DAN OPEN SOURCE Vol. 8 No. 2 (2025): Jurnal Teknologi dan Open Source, December 2025
Publisher : Universitas Islam Kuantan Singingi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36378/jtos.v8i2.5035

Prediction is an action to predict future conditions based on past data. One method for making predictions that can be used is the linear regression method. The linear regression method itself consists of two types, simple linear regression and multiple linear regression. One method that uses past data to make predictions is the linear regression method. Regression is a statistical calculation to test how closely the relationship between variables. The simplest and most frequently used regression analysis is simple linear regression. In regression analysis, there is one dependent variable usually written with the symbol Y and one or more independent variables usually written with the symbol X. The relationship between the two variables has a linear nature according to its name. The SVM method was chosen for data mining analysis in this study. There are two parameters used: Exam Scores and Admission Status. This research uses recapitulation data on the acceptance of new students at Play Group & Kindergarten Rahmah Abadi with a total of 50 people. Based on the analysis results, an accuracy rate of 91%.

Peningkatan Literasi Digital dan Etika Kecerdasan Buatan bagi Siswa MTs N 5 Kota Padang Pradani Ayu Widya Purnama; Rasmita Rasmita; Hana Afifah; Nurfa Rahma Julita
Mandala Bakti (Jurnal Pengabdian kepada Masyarakat) Vol. 2 No. 3 (2026): MANDALA BAKTI (Jurnal Pengabdian kepada Masyarakat) September 2026
Publisher : Yasin Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.65359/mandala_bakti.v2i3.144

Perkembangan kecerdasan buatan (AI) yang pesat membawa tantangan baru dalam dunia pendidikan, khususnya terkait literasi digital dan etika penggunaannya di kalangan siswa sekolah menengah. Kegiatan pengabdian ini bertujuan untuk meningkatkan literasi digital dan pemahaman etika penggunaan kecerdasan buatan (AI) pada siswa MTs N 5 Kuranji, Kota Padang, sebagai upaya preventif terhadap penyalahgunaan teknologi di era AI. Program ini menggunakan pendekatan pelatihan interaktif berbasis pengalaman (experiential learning) yang melibatkan 20 siswa dan beberapa orang guru sebagai co-fasilitator. Kegiatan dilaksanakan melalui lima tahapan, yaitu : persiapan, sosialisasi, pelatihan interaktif (diskusi, simulasi, role-play, studi kasus), pendampingan dan evaluasi menggunakan pre-test dan post-test, serta keberlanjutan program. Efektivitas program diukur menggunakan analisis N-Gain dan kuesioner kepuasan peserta. Hasil kegiatan menunjukkan peningkatan pemahaman siswa yang signifikan, dengan rata-rata skor pre-test 9,6 meningkat menjadi 16,1 pada post-test (skor maksimum 20). Nilai N-Gain sebesar 0,65 termasuk dalam kategori sedang, yang menunjukkan efektivitas metode pelatihan. Tingkat kepuasan peserta berada pada kategori tinggi (rata-rata 3,6 dari skala 4). Program pelatihan interaktif terbukti efektif dalam meningkatkan literasi digital dan etika AI siswa madrasah tsanawiyah, sekaligus memberikan kontribusi nyata dalam pembentukan karakter digital yang bertanggung jawab.

Prediksi Status Kelulusan Mahasiswa pada Mata Kuliah Big Data Berdasarkan Kehadiran dan Nilai Akademik Menggunakan Algoritma Naïve Bayes Restiady, Adiddo; Purnama, Pradani Ayu Widya; Rahmi, Nadya Alinda
Jurnal Pustaka Robot Sister (Jurnal Pusat Akses Kajian Robotika, Sistem Tertanam, dan Sistem Terdistribusi) Vol 4 No 2 (2026): Jurnal Pustaka Robot Sister (Pusat Akses Kajian Robotika, Sistem Tertanam, dan Si
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakarobotsister.v4i2.1936

Prediksi status kelulusan mahasiswa merupakan salah satu upaya yang dapat dilakukan untuk membantu proses evaluasi akademik dan pengambilan keputusan dalam lingkungan pendidikan. Penelitian ini bertujuan untuk menerapkan algoritma Naive Bayes dalam mengklasifikasikan status kelulusan mahasiswa berdasarkan data akademik yang meliputi Kehadiran, Nilai Tugas, Nilai Kuis, Nilai Ujian Tengah Semester (UTS), dan Nilai Ujian Akhir Semester (UAS). Dataset yang digunakan terdiri dari 15 data mahasiswa dengan dua kategori kelas, yaitu Lulus dan Tidak Lulus. Proses penelitian dilakukan melalui tahapan pengumpulan data, perhitungan probabilitas prior, perhitungan probabilitas kondisional setiap atribut, serta penentuan probabilitas posterior menggunakan metode Naive Bayes yang diimplementasikan pada Google Colab menggunakan bahasa pemrograman Python. Hasil perhitungan terhadap data mahasiswa yang diuji dengan atribut Kehadiran Tinggi, Nilai Tugas Sedang, Nilai Kuis Tinggi, Nilai UTS Tinggi, dan Nilai UAS Tinggi menunjukkan nilai probabilitas P(Lulus|X) sebesar 0,0428 dan P(Tidak Lulus|X) sebesar 0,0000. Berdasarkan hasil tersebut, mahasiswa diklasifikasikan ke dalam kategori Lulus karena memiliki probabilitas yang lebih tinggi dibandingkan kategori Tidak Lulus. Selain itu, hasil pengujian model menunjukkan tingkat akurasi sebesar 100%, yang mengindikasikan bahwa model mampu mengklasifikasikan data dengan sangat baik pada dataset yang digunakan. Dengan demikian, algoritma Naive Bayes dapat digunakan sebagai metode klasifikasi yang efektif untuk membantu memprediksi status kelulusan mahasiswa berdasarkan data akademik yang tersedia.

Klasterisasi K-Means Untuk Pengelompokan Wilayah Berisiko Banjir Di Kota Padang Teri Ade Putra; Andani Putra Pratama; Pradani Ayu Widya Purnama
Jurnal Sains Informatika Terapan Vol. 5 No. 2 (2026): Jurnal Sains Informatika Terapan (Juni, 2026)
Publisher : Riset Sinergi Indonesia (RISINDO)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62357/jsit.v5i2.1344

Banjir merupakan salah satu risiko bencana yang berulang kali dihadapi Kota Padang, dipengaruhi oleh kombinasi intensitas curah hujan, kepadatan populasi, histori kejadian banjir, dan elevasi wilayah pada 104 kelurahan yang tersebar di 11 kecamatan. Penelitian ini bertujuan menerapkan algoritma K-Means untuk mengelompokkan kelurahan di Kota Padang berdasarkan tingkat risiko banjir, sekaligus membangun sistem berbasis web bernama SIPEKAT sebagai alat bantu pemetaan dan pengambilan keputusan. Data dihimpun dari empat sumber, yaitu curah hujan dari BMKG Stasiun Teluk Bayur, data kependudukan dari Disdukcapil, histori banjir dari BNPB, dan data elevasi dari dataset geospasial. Seluruh atribut dibersihkan dan dinormalisasi menggunakan metode Min-Max sebelum diproses dengan K-Means. Proses klasterisasi diinisialisasi dari tiga kelurahan representatif sebagai centroid awal dan konvergen pada iterasi kelima, menghasilkan tiga klaster dengan 19, 80, dan 5 anggota kelurahan. Setiap klaster diberi label berdasarkan skor risiko dari rata-rata histori banjir dan elevasi, menghasilkan kategori Risiko Tinggi (19 kelurahan), Risiko Sedang (80 kelurahan), dan Risiko Rendah (5 kelurahan). Hasil clustering divalidasi menggunakan RapidMiner dan menunjukkan kesesuaian dengan perhitungan sistem. Kebaruan penelitian ini terletak pada penggunaan mekanisme pelabelan klaster berbasis skor risiko yang menggabungkan histori kejadian banjir dan elevasi wilayah untuk menghasilkan interpretasi tingkat risiko yang lebih objektif, serta implementasinya ke dalam sistem informasi berbasis web SIPEKAT. Penelitian ini membuktikan bahwa K-Means efektif digunakan untuk mengelompokkan wilayah rawan banjir dan dapat menjadi dasar bagi pemerintah daerah dalam memprioritaskan mitigasi bencana banjir.

Pengembangan Model Stacking Machine Learning Dengan Optimasi Hyperparameter Untuk Deteksi Serangan Malware Pada Server Elvira Sawitri; Nadya Alinda Rahmi; Ilmawati Rahmi; Pradani Ayu Widya Purnama
Jurnal Sains Informatika Terapan Vol. 5 No. 1 (2026): Jurnal Sains Informatika Terapan (Februari, 2026)
Publisher : Riset Sinergi Indonesia (RISINDO)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62357/jsit.v5i1.973

Penelitian ini dilatarbelakangi oleh meningkatnya ancaman serangan malware yang mengganggu sistem server di lingkungan institusi pendidikan, termasuk Universitas Muhammadiyah Muara Bungo (UMMUBA). Server kampus menjadi pusat layanan akademik, administrasi, serta penyimpanan data penting, sehingga rentan terhadap gangguan keamanan yang disebabkan oleh aktivitas malware. Penanganan serangan ini tidak bisa lagi dilakukan secara manual karena keterbatasan waktu, sumber daya manusia, dan kompleksitas serangan yang terus berkembang. Oleh karena itu, dibutuhkan suatu sistem deteksi malware yang dapat bekerja secara otomatis, akurat, real-time, dan mudah dioperasikan oleh pengguna non-teknis. Penelitian ini bertujuan untuk mengembangkan model stacking machine learning dengan algoritma Naive Bayes (Gaussian, Multinomial, Bernoulli, Complement) sebagai base learners dan Logistic Regression sebagai meta learner. Untuk mengatasi masalah ketidakseimbangan data antara kelas malware dan non-malware, digunakan teknik SMOTE (Synthetic Minority Over-sampling Technique). Selain itu, performa model ditingkatkan dengan optimasi hyperparameter menggunakan GridSearchCV, sehingga diperoleh konfigurasi terbaik. Penelitian dilakukan melalui beberapa tahap, mulai dari pengumpulan dan pelabelan data dari log server UMMUBA, preprocessing data, pelatihan model dasar, pengembangan arsitektur stacking, evaluasi menggunakan metrik akurasi, precision, recall, dan F1-score, hingga implementasi ke dalam antarmuka aplikasi web berbasis Streamlit. Aplikasi ini memungkinkan pengguna untuk mengunggah file log dan mendapatkan hasil klasifikasi serta visualisasi performa model secara langsung. Hasil penelitian diharapkan mampu memberikan solusi nyata untuk deteksi malware pada server institusi pendidikan.

Klasterisasi K-Means Untuk Pengelompokan Wilayah Berisiko Banjir Di Kota Padang Teri Ade Putra; Andani Putra Pratama; Pradani Ayu Widya Purnama
Jurnal Sains Informatika Terapan Vol. 5 No. 2 (2026): Jurnal Sains Informatika Terapan (Juni, 2026)
Publisher : Riset Sinergi Indonesia (RISINDO)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62357/jsit.v5i2.1344

Banjir merupakan salah satu risiko bencana yang berulang kali dihadapi Kota Padang, dipengaruhi oleh kombinasi intensitas curah hujan, kepadatan populasi, histori kejadian banjir, dan elevasi wilayah pada 104 kelurahan yang tersebar di 11 kecamatan. Penelitian ini bertujuan menerapkan algoritma K-Means untuk mengelompokkan kelurahan di Kota Padang berdasarkan tingkat risiko banjir, sekaligus membangun sistem berbasis web bernama SIPEKAT sebagai alat bantu pemetaan dan pengambilan keputusan. Data dihimpun dari empat sumber, yaitu curah hujan dari BMKG Stasiun Teluk Bayur, data kependudukan dari Disdukcapil, histori banjir dari BNPB, dan data elevasi dari dataset geospasial. Seluruh atribut dibersihkan dan dinormalisasi menggunakan metode Min-Max sebelum diproses dengan K-Means. Proses klasterisasi diinisialisasi dari tiga kelurahan representatif sebagai centroid awal dan konvergen pada iterasi kelima, menghasilkan tiga klaster dengan 19, 80, dan 5 anggota kelurahan. Setiap klaster diberi label berdasarkan skor risiko dari rata-rata histori banjir dan elevasi, menghasilkan kategori Risiko Tinggi (19 kelurahan), Risiko Sedang (80 kelurahan), dan Risiko Rendah (5 kelurahan). Hasil clustering divalidasi menggunakan RapidMiner dan menunjukkan kesesuaian dengan perhitungan sistem. Kebaruan penelitian ini terletak pada penggunaan mekanisme pelabelan klaster berbasis skor risiko yang menggabungkan histori kejadian banjir dan elevasi wilayah untuk menghasilkan interpretasi tingkat risiko yang lebih objektif, serta implementasinya ke dalam sistem informasi berbasis web SIPEKAT. Penelitian ini membuktikan bahwa K-Means efektif digunakan untuk mengelompokkan wilayah rawan banjir dan dapat menjadi dasar bagi pemerintah daerah dalam memprioritaskan mitigasi bencana banjir.

Title

Found 29 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 29 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 29 Documents
Search