Article Per Year (5 Year)
p-Index From 2021 - 2026
2.877
P-Index
This Author published in this journals
All Journal TELKOMNIKA (Telecommunication Computing Electronics and Control) Insect (Informatics and Security) : Jurnal Teknik Informatika Applied Information System and Management Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) Indonesian Journal of Data and Science International Journal of Industrial Optimization (IJIO) Jurnal Indonesia : Manajemen Informatika dan Komunikasi Nusantara Hasana Journal Indonesian Community Journal Buletin Sistem Informasi dan Teknologi Islam Jurnal Informatika Progres Journal of Computer Science and Information Technology ARUS JURNAL SAINS DAN TEKNOLOGI Journal of Data Analytics, Information, and Computer Science (JDAICS)
Darniati
Universitas Muhammadiyah Makassar
Agriculture, Biological Sciences & Forestry Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Mathematics Nursing Public Health Social Sciences Other

Published : 23 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : journal of computer science and information technology

 1 
DETEKSI TIMPA GAMBAR DENGAN TEKS MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DAN OPTICAL CHARACTER RECOGNITION Muhammad Alif Syafan; Fahrim Irhamna Rachman; Darniati Darniati
Journal of Computer Science and Information Technology Vol. 3 No. 3 (2026): Juni
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jcsit.v3i3.4092

Abstract

Penyebaran disinformasi melalui manipulasi timpa gambar dengan teks semakin marak dan sulit dideteksi karena artefak visualnya yang sangat halus dan rentan tersamarkan oleh kompresi citra. Penelitian ini mengusulkan arsitektur multi-stream network multimodal untuk mendeteksi manipulasi tersebut. Kebaruan (novelty) dan kontribusi utama penelitian ini terletak pada integrasi adaptif antara analisis anomali visual tingkat piksel dan anomali tipografi menggunakan gated attention mechanism. Metode usulan menggabungkan Convolutional Neural Network (CNN) berarsitektur EfficientNet-B3 yang dipertajam Sobel filter sebagai pengekstraksi fitur visual, dengan Optical Character Recognition (OCR) berbasis EasyOCR sebagai pengekstraksi fitur statistik teks. Evaluasi terhadap dataset Real Text Manipulation (RTM) membuktikan bahwa model multimodal usulan lebih unggul dibandingkan model CNN tunggal. Pada ambang batas optimal 0,4961, model mencapai akurasi 73,18% dan F1-score 0,7959. Integrasi OCR terbukti sangat efektif menambal kelemahan deteksi visual murni dengan lonjakan tingkat recall mencapai 79,05%. Meskipun pengujian generalisasi pada dataset media sosial dan generative AI masih mengalami penurunan akibat domain gap kompresi ekstrem, integrasi CNN dan OCR secara signifikan berkontribusi meningkatkan sensitivitas deteksi manipulasi teks untuk keperluan forensik digital
OPTIMASI RANDOM FOREST-SSO UNTUK KLASIFIKASI RISIKO DIABETES BERBASIS REKOMENDASI Zelvia Zelvia; Darniati Darniati; Ida Mulyadi
Journal of Computer Science and Information Technology Vol. 3 No. 4 (2026): September
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jcsit.v3i4.4362

Abstract

Diabetes melitus merupakan penyakit kronis yang memerlukan klasifikasi risiko secara sistematis untuk mendukung proses skrining dan pemantauan pasien. Penelitian ini mengoptimalkan Random Forest menggunakan Salp Swarm Optimization (SSO) untuk mengklasifikasikan risiko diabetes ke dalam kategori Normal, Pra-Diabetes, dan Diabetes serta memberikan rekomendasi awal. Dataset terdiri atas 500 data hasil pemeriksaan pasien UPTD Puskesmas Larompong tahun 2025 dengan 11 variabel masukan. Tahapan penelitian mencakup preprocessing, feature engineering, pembagian data 80% untuk pelatihan dan 20% untuk pengujian, pembangunan model baseline, optimasi enam hyperparameter menggunakan empat salp selama 40 iterasi, serta evaluasi model. Random Forest baseline memperoleh accuracy 88,00% dan macro F1-score 88,90%. Optimasi SSO menghasilkan n_estimators 247, max_depth 16, max_features 0,80, min_samples_split 4, min_samples_leaf 1, dan class_weight balanced. Model Random Forest-SSO memperoleh accuracy 90,00% serta macro precision, macro recall, dan macro F1-score sebesar 90,75%. Hasil tersebut menunjukkan bahwa SSO meningkatkan kinerja Random Forest dan mengurangi kesalahan klasifikasi antara kelas Pra-Diabetes dan Diabetes. Hasil prediksi digunakan sebagai dasar rekomendasi awal tanpa menggantikan pemeriksaan atau keputusan tenaga kesehatan.
KLASIFIKASI PAYLOAD MALWARE TERSEMBUNYI PADA CITRA DIGITAL (STEGANALISIS) MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) Muh.Dirham Rahim; Muhyiddin A.M Hayat; Rizki Yusliana Bakti; Darniati
Journal of Computer Science and Information Technology Vol. 3 No. 4 (2026): September
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jcsit.v3i4.4400

Abstract

Evolusi ancaman keamanan siber saat ini semakin mengarah pada teknik penetrasi senyap, salah satunya pemanfaatan steganografi menggunakan aplikasi Steghide pada citra JPEG. Sistem steganalisis konvensional saat ini masih bertumpu pada klasifikasi biner, sehingga menimbulkan titik buta forensik yang gagal membedakan tingkat keparahan anomali, seperti antara sisipan teks biasa dan skrip malware destruktif. Penelitian ini mengusulkan model 1-Dimensional Convolutional Neural Network (CNN 1D) untuk mengklasifikasikan tingkat ancaman steganografi ke dalam tiga kelas: Normal, Anomali Ringan (teks 20 KB sebagai representasi eksfiltrasi data minor), dan Anomali Berat (malware berekstensi .bat 40 KB sebagai representasi ancaman skrip destruktif). Ambang batas payload spesifik ini dipilih secara empiris karena mampu merepresentasikan margin perubahan densitas koefisien DCT yang signifikan untuk menguji sensitivitas model. Untuk mengatasi overfitting dan kebutaan fitur spasial, ekstraksi fitur dilakukan pada domain frekuensi menggunakan koefisien Discrete Cosine Transform (DCT) yang menghasilkan 2.466 fitur statistik. Pengujian dilakukan menggunakan skenario Paired Dataset dan Grouped Split pada 1.500 citra beresolusi 1024x1024 piksel untuk mencegah bias visual. Hasil penelitian menunjukkan bahwa model CNN 1D yang diusulkan sukses mencatatkan tingkat akurasi pengujian sebesar 83,11% dengan rata-rata F1-Score 82,98%. Dari aspek keamanan siber preventif, model menunjukkan keandalan yang tinggi. Meskipun terdapat tumpang tindih (overlap) prediksi antara kelas Malware dan kelas Teks yang menyebabkan nilai Recall kelas Anomali Berat berada di angka 76,00%, sistem mencatatkan ketiadaan False Negative (0 kejadian) pada persilangan menuju kelas Normal. Hal ini mengindikasikan bahwa pada pengujian ini, tidak ada satupun sampel citra bermuatan skrip destruktif yang lolos dan terklasifikasi sebagai citra aman.
IMPLEMENTASI MEKANISME QUEUE DAN WORKER UNTUK OPTIMASI UTILISASI GPU DALAM PEMROSESAN LAYANAN AI PADA BACKEND Syahrul Ramadhan; Muhyiddin AM Hayat; Rizki Yusliana Bakti; Titin Wahyuni; Fahrim Irhamna Rachman; Darniati
Journal of Computer Science and Information Technology Vol. 3 No. 4 (2026): September
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jcsit.v3i4.4439

Abstract

Pengembangan layanan Kecerdasan Buatan (AI) berbasis Large Language Models (LLM) telah meningkatkan kebutuhan akan sistem backend yang mampu menangani proses inferensi secara efisien. Proses inferensi yang berjalan pada Graphics Processing Units (GPU) membutuhkan komputasi yang intensif, yang berpotensi menyebabkan hambatan (bottleneck) dan penggunaan GPU yang tidak optimal. Penelitian ini bertujuan untuk mengimplementasikan mekanisme queue dan worker pada backend layanan AI berbasis GPU, menganalisis dampak variasi jumlah worker terhadap kinerja sistem dan penggunaan GPU, serta menentukan konfigurasi worker yang paling optimal. Sistem ini dikembangkan menggunakan bahasa pemrograman Go dengan arsitektur berlapis, Redis sebagai message queue, Asynq sebagai pengelola queue dan worker, serta vLLM sebagai layanan inferensi AI berbasis GPU. Pengujian dilakukan menggunakan K6 dengan beban 50 virtual users selama 60 detik pada konfigurasi dengan 1, 2, 4, 8, dan 16 worker. Parameter yang dianalisis meliputi waktu respons (response time), throughput, tingkat kesalahan (error rate), penggunaan GPU (GPU utilization), dan waktu GPU menganggur (GPU idle time). Hasil penelitian menunjukkan bahwa peningkatan jumlah worker meningkatkan throughput dari 26,60 menjadi 142,91 requests/s, mengurangi waktu respons dari 1.904 menjadi 343,54 ms, dan meningkatkan penggunaan GPU dari 80,21% menjadi 100%. Semua konfigurasi menghasilkan error rate sebesar 0%, sementara waktu GPU menganggur menurun dari 18,3% menjadi 0%. Berdasarkan seluruh parameter pengujian, konfigurasi 8 worker memberikan keseimbangan terbaik antara kecepatan respons, kapasitas pemrosesan, dan efisiensi penggunaan GPU, sehingga menjadikannya konfigurasi paling optimal dalam lingkungan pengujian penelitian ini.
Co-Authors A. Inayah Auliyah Ahmad Faisal Alvian Syah Burhani Alvina Felicia Watratan Andi Makbul Syamsuri Ashabul Kahfi Bakti, Rizki Yusliana Bunga Dewi Chyquitha Danuputri Chyquitha Danuputri Desi Anggreani Emil Agus Salim Habi Talib Fachrim Irhamna Rachman Fahrim Irhamna Rachman Farida Gaffar Hasri Akbar Awal Rozaq Ida Ida Mulyadi, Ida Irmawati Irmawati Khadijah Lisa Fitriani Ishak Lukman Lukman Lukman M. Ray Togubu Mallu, Satriawaty Mardiah Mardiah Medy Wisnu Prihatmono Muh Khayyir Muh. Ilham Akbar Muh.Dirham Rahim Muhammad Alif Syafan Muhammad Dzulfikar Hidayat Muhammad Faisal Muhammad Syafaat S. Kuba Muhyiddin A.M Hayat Musdalifa Thamrin Nasir Usman Nasir Usman Nur Ramadhan Nurdiansyah Nurdiansyah Nurfadillah Nurul Kusumawardani Risal Rosnani Rosnani Rosnani Rosnani Saharuddin Saharuddin Sri Wahyuni Suardi Hi Baharuddin Suriani Suriani Swa Lee Lee Syafruddin Syarif Syahrul Ramadhan Titin Wahyuni Zelvia Zelvia Zulfajri Basri Hasanuddin