cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Agus Tedyyana
Contact Email
Agus Tedyyana
Phone
-
Journal Mail Official
agustedyyana@polbeng.ac.id
Editorial Address
-
Location
Kab. bengkalis,
Riau
INDONESIA
INOVTEK Polbeng - Seri Informatika
Published by Politeknik Negeri Bengkalis
ISSN : 25279886     EISSN : -     DOI : -
Core Subject : Science,
Computer Science & IT
Jurnal Inovasi dan Teknologi Seri Informatika (Jurnal INOVTEK Polbeng - Seri Informatika) Politeknik Negeri Bengkalis merupakan jurnal informatika berbasis penelitian ilmiah. Jurnal ini diharapkan dapat sebagai wadah akademisi, peneliti dan praktisi menyebarkan hasil penelitian. Jurnal INOVTEK Polbeng - Seri Informatika menerbitkan naskah berkaitan dengan Web and Mobile Computing, Image processing, System Cerdas, Sistem Informasi, Database, DSS, IT project management, Geographical Information System, Teknologi Informasi, Computer Network and Security, Wireless Sensor Network, dan lainya.
Arjuna Subject : -
Articles 15 Documents
 1   2 
Search results for , issue "Vol 7, No 1 (2022)" : 15 Documents clear
Implementasi Metode K-Means, Dbscan, Dan Meanshift Untuk Analisis Jenis Ancaman Jaringan Pada Intrusion Detection System Toga Aldila Cinderatama; Rinanza Zulmy Alhamri; Yoppy Yunhasnawa
Jurnal Inovtek Polbeng Seri Informatika Vol 7, No 1 (2022)
Publisher : P3M Politeknik Negeri Bengkalis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35314/isi.v7i1.2336

Abstract

The implementation of network security infrastructure has been carried out, including the Intrusion Detection System (IDS). However, in its implementation there are still many who have not combined with Data Technology (Data Science) to get a more comprehensive analysis. This study aims to analyze the types and characteristics of network threats using data science. As a computational method, the results of 3 algorithms in the unsupervised learning category will be implemented and compared, namely K-Means, Meanshift, and Density-Based Spatial Clustering of Applications with Noise (DBSCAN). From the experimental results as measured by the Silhouette Index (SI ) the best cluster of each implemented algorithm is DBSCAN which has the best SI value of 0.3424 with an Eps value of 0.2 and a MinPts value of 3. Meanwhile, from the results of clustering using K-Means, The best SI value was obtained by experiment k=4 with a value of 0.4531. The results of clustering using MeanShift, the best SI value was obtained by experiment bandwidth = 1 with a value of 0.5305.
Prediksi Prestasi Akademik Mahasiswa Bekerja Paruh Waktu Menggunakan Artificial Neural Network Yuhelmi Yuhelmi; Taslim Taslim; Syamsidar Syamsidar; Machdalena Machdalena
Jurnal Inovtek Polbeng Seri Informatika Vol 7, No 1 (2022)
Publisher : P3M Politeknik Negeri Bengkalis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35314/isi.v7i1.2368

Abstract

Intisari–Mahasiswa yang bekerja paruh waktu dituntut agar bisa membagi waktu mereka secara efektif dan efisien antara waktu untuk bekerja dan dan waktu untuk kuliah. Prediksi terhadap mereka yang kuliah sambil bekerja diharapkan dapat menjadi salah satu pertimbangan kebijakan bagi pihak akademik agar mahasiswa yang bekerja sambil bekerja dapat menyelesaikan masa studi mereka secara tepat waktu. Penelitian ini di mulai dengan tahapan mengumpulkan data mahasiswa yang kuliah sambil bekerja untuk selanjutnya dilakukan proses data cleaning. Data lalu dibagi atas dua kelompok data yaitu data training dan data testing yang dinormalisasi dengan metode min-max. Algoritma neural network digunakan untuk melakukan prediksi terhadap hasil studi bagi mereka yang kuliah sambil bekerja yang di kategorikan dalam 3 label. Optimasi dilakukan terhadap parameter dengan memamfaatkan perangkat optimize parameter. Pada pengujian model, parameter yang ditampilkan berupa training cycle, learning rate, momentum, akurasi dan nilai RMSE dengan rentang nilai learning rate dan momentum 0,1 sampai dengan 0,9, dengan fungsi aktivasi sigmoid. Validasi nilai terbaik didapat pada training cycle 201, learning rate 0,74, momentum 0,9 dengan nilai akurasi 89,62%, RMSE 0,263 dengan nilai k-fold=3.
Deteksi Kebocoran Pipa Air Menggunakan Machine Learning dengan Jaringan Nirkabel IEEE 802.15.4 Kurniawan Saputra; M. Udin Harun Al Rasyid; Muh. Zen Samsono Hadi
Jurnal Inovtek Polbeng Seri Informatika Vol 7, No 1 (2022)
Publisher : P3M Politeknik Negeri Bengkalis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35314/isi.v7i1.2360

Abstract

Pipa adalah cara paling ekonomis dan paling aman dalam mendistribusikan hasil produk seperti air, petrokimia, gas, dan cairan lainnya. Terlepas dari manfaat tersebut, ternyata pipa memiliki ancaman yaitu potensi kebocoran. Artikel ini membahas pendeteksian kebocoran pipa air menggunakan parameter debit aliran. Pengujian dilakukan pada dua format dataset, menggunakan raw dataset dan process dataset menggunakan metode volume balance. Pada proses pembelajaran ada beberapa hal yang perlu disoroti seperti pemilihan tipe dataset, pre-processing dengan menormalisasi dataset, dan menerapkan metode fungsi kernel untuk meningkatkan kinerja akurasi prediksi ukuran dan lokasi kebocoran pipa. Dataset dilatih menggunakan algortima SVM untuk mengklasifikasikan ukuran dan lokasi kebocoran pipa. Hasil klasfikasi ukuran kebocoran dengan fungsi kernel polynomial pada raw dataset mencapai akurasi sebesar 98,25%, recall 99,1%, presisi 99,8%, dan F-measure 99,5%. Sedangkan fungsi kernel Radial Basis Function pada process dataset mencapai akurasi tertinggi sebesar 89,7%, recall 94,4%, presisi 95,4%,  dan F-measure 94,6%. Dalam hal mengidentifkasikan lokasi kebocoran, fungsi kernel polynomial pada raw dataset meningkatkan akurasi sebesar 88,96%, recall 94,7%, presisi 91,5%, dan F-measure 92,8%. Sedangkan fungsi kernel polynomial pada process dataset mencapai akurasi sebesar 74,42%, recall 74,1%, presisi 72,8%, dan F-measure 71,3%.
Implementasi Pengiriman Pesan Broadcast dengan Redis Pub/Sub dan Bahasa Pemrograman Nim Tania Rachel; Yerymia Alfa Susetyo
Jurnal Inovtek Polbeng Seri Informatika Vol 7, No 1 (2022)
Publisher : P3M Politeknik Negeri Bengkalis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35314/isi.v7i1.2314

Abstract

Intisari -Penyebaran pesan pada perusahaan sangat penting untuk menjaga informasi didalamnya tetap up-to-date, pada perusahaan berskala besar yang memiliki banyak gerai yang tersebar, banyaknya pesan yang harus dikirim menjadi permasalahan tersendiri serta waktu yang digunakan untuk mengirimkan pesan akan menjadi lebih lama. Sehingga pada penelitian ini sistem pengiriman pesan broadcast diimplementasikan menggunakan Redis Pub/Sub dan bahasa pemrograman Nim, pada Redis Pub/Sub pengirim hanya perlu men-publish pesan ke dalam suatu channel dan pesan tersebut akan sampai pada banyak subscriber channel. Implementasi menghasilkan aplikasi server yang digunakan untuk publish pesan dan aplikasi client yang digunakan untuk men-subscribe channel.Berdasarkan pengujian yang dilakukan, didapatkan hasil 86% yang menunjukkan user “sangat setuju” jika penelitian ini dapat meningkatkan efektifitas pengiriman pesan. Hasil program yang dihasilkan pada penelitian ini juga berukuran sangat kecil sehingga mudah untuk di distribusikan.
Multivariate Time Series Forecasting pada Penjualan Barang Retail dengan Recurrent Neural Network Robertus Bagaskara Radite Putra; Hendry Hendry
Jurnal Inovtek Polbeng Seri Informatika Vol 7, No 1 (2022)
Publisher : P3M Politeknik Negeri Bengkalis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35314/isi.v7i1.2398

Abstract

Intisari–Pasar ritel di Indonesia semakin berkembang seiring bertambahnya penduduk dan daya beli. Peluang ini harus dimanfaatkan, namun dalam bisnis ritel, kadangkala terjadi keadaan Out of Stock maupun over stock di dalam toko. Untuk mengatasi hal tersebut, kita bisa mengatasinya dengan melakukan peramalan atau prediksi penjualan yang akan terjadi di masa mendatang. Ada beberapa macam metode untuk melakukan peramalan, namun secara umum terbagi menjadi 2 jenis yaitu metode statistika dan juga computational intelligence. Penelitian ini mencoba untuk melakukan prediksi penjualan barang retail perhari menggunakan metode Recurrent Neural Network (RNN) sebagai bagian dari metode computational intelligence. Dari penelitian ini kita bisa dapatkan hasil bahwa dalam kasus prediksi penjualan ritel, performa akurasi RNN lebih baik dari metode statistika

Page 2 of 2 | Total Record : 15

 1   2 

Filter by Year

2022 2022


Reset
Filter By Issues
All Issue Vol 9, No 1 (2024) Vol 8, No 2 (2023) Vol 8, No 1 (2023) Vol 7, No 2 (2022) Vol 7, No 1 (2022) Vol 6, No 2 (2021) Vol 6, No 1 (2021) Vol 5, No 2 (2020) Vol 5, No 1 (2020) Vol 4, No 2 (2019) Vol 4, No 1 (2019) Vol 3, No 2 (2018) Vol 3, No 1 (2018) Vol 2, No 2 (2017) Vol 2, No 1 (2017) Vol 1, No 2 (2016) Vol 1, No 1 (2016) More Issue