Garuda - Garba Rujukan Digital

Nurchim Nurchim

Universitas Duta Bangsa

Author-ID : 9632797

Computer Science & IT Control & Systems Engineering

Published : 2 Documents Claim Missing Document

Claim Missing Document

Articles

Klasifikasi Ancaman Keamanan Siber Menggunakan Algoritma Naive Bayes Irwan Budianto; Nurchim Nurchim; Hanifah Permatasari
IJAI (Indonesian Journal of Applied Informatics) Vol 9, No 2 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v9i2.104668

Abstrak : Saat ini keamanan siber menjadi permasalahan utama didalam tata kelola keamanan informasi Pemerintah Daerah. Untuk mencegah terjadinya kerugian akibat serangan siber maka perlu dilakukan identifikasi dan klasifikasi terhadap ancaman siber secara cepat dan akurat. Sehingga diperlukan sebuah system untuk mengklasifikasikan ancaman siber yang terjadi. Penelitian ini adalah membangun sistem klasifikasi ancaman keamanan siber menggunakan algoritma Naive Bayes sehingga dapat dilakukan analisis data ancaman secara efektif dan mengklasifikasikan jenis ancaman dengan akurasi yang tinggi. Metode yang digunakan adalah pengumpulan dataset terkait log aktifitas serangan yang terekam di aplikasi Wazuh. Selanjutnya dilakukan preprocessing data untuk mendapatkan atribut yang sesuai dengan kebutuhan sistem. Penerapan algoritma Naive Bayes digunakan sebagai metode klasifikasi berdasarkan probabilitas atribut terhadap kategori ancaman. Hasil penelitian menunjukkan bahwa algoritma Naive Bayes mampu mengklasifikasikan ancaman keamanan siber dengan akurasi yang baik, sehingga dari system yang dibangun dapat ditentukan bahwa serangan yang terjadi pada area sistem operasi server atau aplikasi web serta mampu memberikan dukungan pengambilan keputusan yang lebih cepat dalam mitigasi serangan. Hasil pengujian menunjukkan performa yang sangat baik dari model Naive Bayes pada kedua kelas yaitu presisi=0.98, recall=1, f1-score=0.99, support=57.===================================================Abstract :Currently, cybersecurity is a major problem in the governance of regional government information security. To prevent losses due to cyber attacks, it is necessary to identify and classify cyber threats quickly and accurately. So a system is needed to classify cyber threats that occur. This study is to build a cybersecurity threat classification system using the Naive Bayes algorithm so that threat data analysis can be carried out effectively and classify types of threats with a high level of accuracy. The method used is collecting datasets related to attack activity logs recorded in the Wazuh application. Furthermore, data preprocessing is carried out to obtain attributes that match system needs. The Naive Bayes algorithm is implemented as a classification technique that evaluates the probability of attributes relative to threat categories. The findings indicate that this algorithm effectively categorizes cybersecurity threats with high accuracy. Consequently, the developed system can identify whether an attack targets the server operating system or the web application, while also enabling faster decision-making to support attack mitigation. The Naive Bayes model performs exceptionally well in both classes according to the test results, with precision=0.98, recall=1, f1-score=0.99, and support=57.

Analisis Perbandingan Metode Yolo Dan Faster R-CNN Dalam Deteksi Objek Manusia Muhammad Ilham Pratama; Nurchim Nurchim; Eko Purwanto
Progresif: Jurnal Ilmiah Komputer Vol 21, No 2 (2025): Agustus
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v21i2.2890

Human object detection is an important component in surveillance systems, behavior analysis, and crowd management in public spaces such as stadiums, shopping malls, and terminals. However, the detection process often faces obstacles such as inconsistent lighting, complex backgrounds, and high object density. This study aims to compare the performance of two object detection algorithms, namely YOLOv10 and Faster R-CNN, in detecting humans. The dataset used is uniform and covers a wide range of environmental conditions to ensure fair and objective evaluation. This research involves the stages of data collection, pre-processing, model training, testing, and performance evaluation. The test results show that YOLOv10 has a performance advantage with an mAP50 value of 0.75, higher than that of Faster R-CNN which obtained an AP50 of 0.67. Based on these findings, YOLOv10 is recommended for use in applications that require real-time human detection with a high level of accuracy.Kata kunci: YOLOV10; Faster R-CNN; Object Detection AbstrakDeteksi objek manusia merupakan komponen penting dalam sistem pengawasan, analisis perilaku, dan pengelolaan keramaian di ruang publik seperti stadion, pusat perbelanjaan, dan terminal. Namun, proses deteksi sering menghadapi kendala seperti pencahayaan yang tidak konsisten, latar belakang kompleks, dan kepadatan objek tinggi. Penelitian ini bertujuan buat membandingkan kinerja dua algoritma deteksi objek, yaitu YOLOv10 dan Faster R-CNN, dalam mendeteksi manusia. Dataset yang digunakan bersifat seragam dan mencakup berbagai kondisi lingkungan untuk memastikan evaluasi yang adil dan objektif. Penelitian ini melibatkan tahapan pengumpulan data, pra-pemrosesan, pelatihan model, pengujian, dan evaluasi performa. Hasil pengujian menunjukkan bahwa YOLOv10 memiliki keunggulan performa dengan nilai mAP50 sebesar 0,75, lebih tinggi dibandingkan Faster R-CNN yang memperoleh AP50 sebesar 0,67. Berdasarkan temuan tersebut, YOLOv10 direkomendasikan untuk digunakan dalam aplikasi yang membutuhkan deteksi manusia secara real-time dengan tingkat akurasi tinggi.Kata kunci: YOLOV10; Faster R-CNN; Deteksi Objek

Title

Found 2 Documents
Search

Abstract

Abstract

Title Search

Found 2 Documents Search

Abstract

Abstract

Title

Found 2 Documents
Search