cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
-
Editorial Address
-
Location
Kota adm. jakarta barat,
Dki jakarta
INDONESIA
InComTech: Jurnal Telekomunikasi dan Komputer
Published by Universitas Mercu Buana
ISSN : 20854822     EISSN : 25796089     DOI : -
Core Subject : Science, Engineering,
Computer Science & IT Electrical & Electronics Engineering Engineering
Program Studi Magister Teknik Elektro UMB menerbitkan Jurnal InComTech sebagai wadah bagi para akademisi, praktisi dan penggiat lainnya dalam bidang telekomunikasi dan computer (Information and Communication Technology/ICT) untuk menerbitkan karya tulisnya. Bidang-bidang yang menjadi bahasan jurnal ini meliputi teknologi, bisnis dan regulasi di bidang ICT, seperti (namun tak terbatas), teknologi IP, Wireless technology, Internet of Things, Microwaves, digital broadcasting, Fiber optik, strategi bisnis ICT, sumber daya manusia ICT, perencanaan bisnis, regulasi NGN, security in ICT, cyberlaw.
Arjuna Subject : -
Articles 4 Documents
 1 
Search results for , issue "Vol 13, No 3 (2023)" : 4 Documents clear
ANALISIS PERBANDINGAN PERFORMANSI PROTOKOL ROUTING AODV & DSDV PADA JARINGAN MANET Pratama, Aydi Haris; Iryani, Nanda; Pranindito, Dadiek
InComTech : Jurnal Telekomunikasi dan Komputer Vol 13, No 3 (2023)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/incomtech.v13i3.14936

Abstract

MANET merupakan sekumpulan node yang membentuk jaringan nirkabel tanpa adanya router terpusat sehingga setiap node dapat berfungsi sebagai router yang meneruskan suatu paket data antar node satu sama lain. Setiap node pada jaringan MANET membutuhkan energi agar dapat berkomunikasi satu sama lain dan apabila energi tersebut habis, maka komunikasi dalam jaringan MANET akan terganggu. Protokol routing sangat berperan penting agar setiap node dapat saling berkomunikasi dengan lancar, sehingga pemilihan protokol routing yang tepat sangat dibutuhkan agar dapat mengoptimalkan fungsi kerja dari node pada MANET. Beberapa protokol routing yang populer digunakan dewasa ini adalah AODV dan DSDV. Penelitian ini berfokus tentang bagaimana konsumsi energi pada jaringan MANET dapat mempengaruhi kinerja protokol routing AODV dan DSDV serta melakukan pengukuran performansi metric dengan tujuan membandingkan performansi kedua protokol routing tersebut untuk mengetahui protokol routing mana yang paling cocok digunakan pada jaringan MANET. Parameter yang digunakan pada penelitian ini yaitu konsumsi energi dan energi yang tersisa serta pengukuran performansi metric, seperti: packet delivery ratio, throughput, dan end-to-end delay dengan skenario yang digunakan yaitu penambahan  jumlah node serta peningkatan luas area dari jaringan MANET yang disimulasikan menggunakan NS- 3.
Pengembangan Intrusion Detection System (Ids) Berbasis Machine Learning Suryadi, Ady; Marzuki, Marza Ihsan
InComTech : Jurnal Telekomunikasi dan Komputer Vol 13, No 3 (2023)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/incomtech.v13i3.15118

Abstract

Penggunaan internet yang terus meningkat memerlukan sistem deteksi serangan yang handal agar penyusup atau cracker yang hendak melakukan cyberattacks dapat terdeteksi dengan cepat. Mitigasi dan pertahanan dari ancaman serangan cyber menjadi sangat penting mengingat masyarakat sudah mulai ketergantungan pada teknologi internet yang bisa mengancam setiap saat. Ketika sejumlah besar paket datang, maka perlu dideteksi apakah paket tersebut paket data normal atau paket data serangan. Intrusion Detection System (IDS) dapat digunakan untuk mendeteksi setiap serangan pada jaringan atau sistem informasi. Deteksi anomali adalah jenis IDS yang mendeteksi serangan anomali pada jaringan berdasarkan probabilitas statistik. Pada penelitian ini deteksi serangan dilakukan  dengan menggunakan metode Knowledge Discovery in Databases (KDD) berbasis machine learning untuk menganalisis serangan berdasarkan  2 (dua) sumber dataset  yaitu UNSW-NB15 dan CICIDS2017. Algoritma J48, naïve bayes dan AdaBoostM1 digunakan untuk melakukan klasifikasi serangan. Pemrosesan data menggunakan tools WEKA. Seleksi jumlah atribut dilakukan menggunakan metode CFs-Greedystepwise untuk memilih atribut yang sangat berpengaruh terhadap pendeteksian serangan untuk efisiensi. Hasil pengujian menunjukkan algoritma J48 menghasilkan akurasi tertinggi sebesar 99.839%.
Implementasi Algoritma Forward Chaining dan Certainty Factor pada Sistem Pakar Qosim, Nanang; Anggita, Sharazita Dyah
InComTech : Jurnal Telekomunikasi dan Komputer Vol 13, No 3 (2023)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/incomtech.v13i3.19865

Abstract

Penerapan ilmu komputer yang berkembang di seluruh lini bidang yang juga mencakup  peternakan dan pertanian. Ilmu komputer dalam hal ini diimplementasikan sebagai alat bantu untuk menentukan kelayakan hewan kurban menggunakan aplikasi sistem pakar berbasis android. Sistem pakar ini memiliki fokus pada objek hewan kurban yang diharapkan dapat memberikan informasi mengenai pengecekan hewan kurban yang layak.  Pengecekan penyakit hewan kurban melalui system pakar diharapkan mampu menghasilkan informasi yang sesuai dengan diagnosa pakar. Representasi pengetahuan yang digunakan dalam penelitian ini adalah metode forward chaining dalam pengecekan kelayakan hewan kurban. Penentuan aturan dilakukan berdasarkan dengan data yang selanjutnya dijalankan berdasarkan hipotesa yang ada. Penerapan metode certainty factor dilakukan sebagai inferensi yang digunakan untuk menentukan nilai penyakit. Hasil dari penelitian ini menghasilkan bahwa penerapan kedua metode pada sistem pakar pengecekan hewan qurban mampu menghasilkan nilai akurasi 90%.
Multi-classification Sentiment Analysis using Convolution Neural Network and Long-Short Term Memory with Attention Model Christianto, Yohanes; Suharjito, Suharjito
InComTech : Jurnal Telekomunikasi dan Komputer Vol 13, No 3 (2023)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/incomtech.v13i3.13812

Abstract

Multi-classification Sentiment Analysis from sentences in Bahasa is a challenging process due to problems in slang, local language combined with many English words. Current state-of-art methods rely on feature extraction using unsupervised treatment. A research to solve this problem was conducted using LSTM and CNN that are capable of learning complex features from the lower level. The objective of this study was to investigate the results of the sentiment analysis based on the extraction of aspects that were carried out with attention models and several deep learning methods. Research data was collected from Zomato comments in Bahasa for any Indonesian restaurants. The data was annotated manually based on four subjects namely place, taste, location, and service. The result of this study showed that Bi-LSTM with attention model and CNN without attention model had the best performance compared to other methods, while CNN without attention model for sentiment analysis using deep learning showed the best accuracy.

Page 1 of 1 | Total Record : 4

 1 

Filter by Year

2023 2023


Reset
Filter By Issues
All Issue Vol 15, No 2 (2025) Vol 15, No 1 (2025) Vol 14, No 3 (2024) Vol 14, No 2 (2024) Vol 14, No 1 (2024) Vol 13, No 3 (2023) Vol 13, No 2 (2023) Vol 13, No 1 (2023) Vol 12, No 3 (2022) Vol 12, No 2 (2022) Vol 12, No 1 (2022) Vol 11, No 3 (2021) Vol 11, No 2 (2021) Vol 11, No 1 (2021) Vol 10, No 3 (2020) Vol 10, No 2 (2020) Vol 10, No 1 (2020) Vol 9, No 3 (2019) Vol 9, No 2 (2019) Vol 9, No 1 (2019) Vol 8, No 3 (2018) Vol 8, No 2 (2018) Vol 8, No 1 (2018) Vol 7, No 3 (2016) Vol 7, No 2 (2016) Vol 7, No 1 (2016) Vol 6, No 3 (2015) Vol 6, No 2 (2015) Vol 6, No 1 (2015) Vol 5, No 3 (2014) Vol 5, No 2 (2014) Vol 5, No 1 (2014) Vol 4, No 2 (2013) Vol 4, No 1 (2013) Vol 3, No 2 (2012) Vol 3, No 1 (2012) Vol 2, No 2 (2011) Vol 2, No 1 (2011) Vol 1, No 2 (2010) Vol 1, No 1 (2009) More Issue