Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Komputer, Sistem Informasi, Teknik Informatika (JILKOMSITI)
Ade Ningrum, Cahya
Unknown Affiliation
Computer Science & IT

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

Found 2 Documents
Search

 1 
Implementasi Kriptografi Hibrida AES-256 dan ECC dengan Deteksi Anomali Berbasis Autoencoder untuk Keamanan Data Bisnis pada Infrastruktur Cloud Computing Setiayadi, Didik; Julianto, Ribut; Ade Ningrum, Cahya
JURNAL ILMU KOMPUTER, SISTEM INFORMASI, TEKNIK INFORMATIKA Vol 2 No 2 (2023)
Publisher : PT Akom Media Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Adopsi infrastruktur cloud computing oleh sektor bisnis di Indonesia terus meningkat pesat, namun diiringi oleh eskalasi ancaman kebocoran data, akses tidak sah, dan serangan siber yang semakin canggih. Skema enkripsi tunggal berbasis AES atau RSA saja dinilai tidak lagi mencukupi untuk menghadapi lanskap ancaman modern yang memanfaatkan kelemahan pada lapisan kunci (key management) maupun pola akses anomali. Penelitian ini mengusulkan arsitektur keamanan data berlapis yang mengintegrasikan dua komponen utama: (1) skema kriptografi hibrida yang menggabungkan AES-256 untuk enkripsi data massal berkecepatan tinggi dengan Elliptic Curve Cryptography (ECC) kurva P-384 untuk manajemen kunci yang efisien dan aman, serta (2) model deteksi anomali akses berbasis Autoencoder deep learning yang mampu mengidentifikasi pola akses mencurigakan secara real-time tanpa memerlukan data berlabel. Sistem diimplementasikan pada lingkungan cloud AWS (Amazon Web Services) menggunakan infrastruktur multi-region dan diuji menggunakan dataset akses log dari tiga perusahaan sektor finansial dan manufaktur di Indonesia selama periode 12 bulan, mencakup 4,7 juta event akses. Hasil evaluasi menunjukkan: overhead enkripsi-dekripsi AES-256/ECC hanya sebesar 3,2% dibandingkan sistem tanpa enkripsi, model Autoencoder mencapai AUC-ROC 0,9712 dalam deteksi anomali akses dengan false positive rate 1,8%, dan sistem secara keseluruhan mampu memenuhi standar keamanan ISO/IEC 27001:2013 serta regulasi POJK No.11/2022 tentang Penyelenggaraan Teknologi Informasi oleh Lembaga Jasa Keuangan. Arsitektur yang diusulkan memberikan kerangka keamanan cloud yang komprehensif, efisien, dan dapat diadaptasi oleh pelaku industri di Indonesia.
Prediksi Konsumsi Energi Listrik Gedung Kampus Menggunakan Long Short-Term Memory (LSTM) Berbasis Data IoT pada Sistem Smart Building Yohananda Saputra Utama, Dandi; Ningrum, Mustika; Ade Ningrum, Cahya
JURNAL ILMU KOMPUTER, SISTEM INFORMASI, TEKNIK INFORMATIKA Vol 2 No 2 (2023)
Publisher : PT Akom Media Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Gedung kampus merupakan salah satu fasilitas dengan tingkat konsumsi energi listrik yang tinggi dan bersifat dinamis mengikuti pola aktivitas akademik. Pengelolaan energi yang belum optimal dapat menyebabkan pemborosan energi dan peningkatan biaya operasional. Penelitian ini bertujuan untuk membangun model prediksi konsumsi energi listrik gedung kampus menggunakan metode Long Short-Term Memory (LSTM) berbasis data Internet of Things (IoT) dalam kerangka sistem Smart Building. Data konsumsi energi diperoleh dari sistem monitoring IoT dengan interval pencatatan setiap 5 menit dan berjumlah sekitar 10.000 record. Tahapan penelitian meliputi pra-pemrosesan data, normalisasi menggunakan Min-Max Normalization, pembagian dataset menjadi data pelatihan (70%), validasi (15%), dan pengujian (15%), serta perancangan dan pelatihan model LSTM. Evaluasi performa model dilakukan menggunakan metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), dan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa model LSTM mampu memprediksi konsumsi energi listrik dengan tingkat kesalahan yang rendah, yaitu MAE sebesar 0,018, MSE sebesar 0,00052, dan RMSE sebesar 0,0228. Model yang diusulkan mampu mengikuti pola konsumsi energi listrik yang fluktuatif dan nonlinier dengan baik. Integrasi IoT dan LSTM dalam penelitian ini memberikan kontribusi dalam mendukung manajemen energi berbasis data pada sistem Smart Building yang lebih efisien dan berkelanjutan.
Co-Authors Julianto, Ribut Ningrum, Mustika Setiayadi, Didik Yohananda Saputra Utama, Dandi