Garuda - Garba Rujukan Digital

Implementasi Extra Trees Classifier dengan Optimasi Grid Search CV pada Prediksi Tingkat Adaptasi AINA, LISTYA NUR; NASTITI, VINNA RAHMAYANTI SETYANING; ADITYA, CHRISTIAN SRI KUSUMA
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 9, No 1 (2024): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v9i1.78-88

AbstrakTeknologi terus maju, terutama dalam komunikasi, pendidikan, dan informasi. Pendidikan online semakin diminati di banyak lembaga pendidikan, mendorong perlunya pemahaman sejauh mana peserta didik dapat beradaptasi dengan lingkungan online. Memprediksi tingkat adaptasi peserta didik menjadi penting untuk meningkatkan efektivitas dan kualitas pengalaman belajar. Dalam penelitian ini, menggunakan dataset dari Kaggle, metode Extra Trees Classifier dioptimalkan dengan Hyperparameter Tuning Grid Search CV. Sebelum optimalsi, akurasi mencapai 95.85%, setelahnya meningkat menjadi 96.26%, menunjukkan peningkatan sebesar 0.41%. Implementasi metode Extra Trees Classifier dengan optimasi Hyperparameter Tuning Grid Search CV lebih unggul dibandingkan penggunaan algoritma tanpa optimasi.Kata kunci: Prediksi, Extra Trees, Classifier, Hyperparameter, CVAbstractTechnology continues to advance, especially in communication, education and information. Online education is increasingly in demand in many educational institutions, prompting the need to understand the extent to which learners can adapt to the online environment. Predicting learners' adaptation level is important to improve the effectiveness and quality of the learning experience. In this study, using a dataset from Kaggle, the Extra Trees Classifier method was optimized with Hyperparameter Tuning Grid Search CV. Before optimization, the accuracy reached 95.85%, after which it increased to 96.26%, showing an improvement of 0.41%. The implementation of the Extra Trees Classifier method with Hyperparameter Tuning Grid Search CV optimization is superior to the use of the algorithm without optimization.Keywords: Prediction, Extra Trees, Classifier, Hyperparameter, CV

Ektraksi Fitur menggunakan Regular Expression pada NaÃ¯ve Bayes Classifier untuk Analisis Sentimen GUFRONI, ACEP IRHAM; YULIYANTI, SITI; DEWI, EUIS NUR FITRIANI
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 2 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i2.230-241

AbstrakRegular expression atau regex merupakan metode ekstraksi fitur yang menemukan substring pada sebuah teks yang cocok dengan harapan dapat meningkatkan kompleksitas waktu atau akurasi dengan melakukan preprocessing teks. Permasalahan praproses teks salah satunya kurang memperhatikan ektraksi fitur untuk proses klasifikasi sentiment, sehingga akurasi yang diperoleh kurang optiomal. Inovasi utama dari pendekatan penelitian ini yaitu mengembangkan pengklasifikasi teks berbasis ekspresi reguler sehingga menghasilkan performance kinerja algoritma yang baik. Tahapan penelitian ini, yaitu pengumpulan dataset lalu mengklasifikasikan sentiment dengan NaÃ¯ve Bayes dan dalam praproses teks dilakukan ektraksi fiitur regular expression. Hasil rata-rata akurasi yang dihasilkan dengan ekstraksi ciri sebesar 88,05% dan yang tidak menggunakan 79,26% sehingga dapat disimpulkan bahwa penggunaan ekstraksi fitur pada praproses dapat meningkatkan akurasi sebesar 8,08% dari 1000 data latih dan 400 data uji.Â Kata kunci: ekstraksi fitur, regex, regular expression, substringAbstractRegular expression or regex is a feature extraction method that finds matching substrings in a text in hopes of increasing time complexity or accuracy by preprocessing the text. One of the problems with text preprocessing is the lack of attention to feature extraction for the sentiment classification process, so the accuracy obtained is not optimal. This research stage begins with collecting a dataset and then classifying sentiment using NaÃ¯ve Bayes, which pre-processes the text by extracting features with regular expressions. The main innovation of this research approach is to develop a text classifier based on regular expressions so as to produce good algorithm performance. The average accuracy produced by feature extraction is 88.05% and 79.26% is not used, so it can be concluded that the use of feature extraction in pre-processing can increase accuracy by 8.08% from 1000 training data and 400 test data.Keywords: Â extraction feature, regex, regular expression, substring

Evaluasi Kinerja Model Inception Resnet-V2 dan Inception-V4 dalam Mengklasifikasi Kualitas Biji Kakao ICHWAN, MUHAMMAD; SUMANTRI, HANIFAH
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 9, No 1 (2024): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v9i1.25-41

AbstrakKakao adalah komoditas ekspor penting bagi Indonesia, dan untuk memenuhi standar mutu, diperlukan sistem klasifikasi biji kakao. Penelitian menggunakan metode CNN dengan fokus pada arsitektur Inception Resnet-V2 dan Inception-V4 untuk mengatasi permasalahan klasifikasi citra kualitas biji kakao. Keduanya merupakan inovasi dari keluarga Inception, dengan Inception Resnet-V2 menggabungkan elemen dari ResNet dan Inception, sementara Inception-V4 memperbaiki performa dengan mengurangi kompleksitas arsitektur. Tujuan penelitian adalah untuk mengevaluasi performa model dari kedua arsitektur tersebut dalam konteks klasifikasi biji kakao. Hasil penelitian menunjukkan bahwa arsitektur Inception Resnet-V2 dengan pengaturan optimizer RMSprop, batch size 16, dan learning rate 0,0001 memiliki performa terbaik, dengan nilai akurasi 91,87%, presisi 92,00%, recall 92,00%, f1-score 92,00%, dan ROC AUC Score 0,950.Kata kunci: Deep Learning, CNN, Inception Resnet-V2, Inception-V4, Biji KakaoAbstractCocoa is an important export commodity for Indonesia, and to meet quality standards, a cocoa bean classification system is needed. The research utilizes CNN method, focusing on Inception Resnet-V2 and Inception-V4 architectures to address cocoa bean quality image classification issues. Both are innovations from the Inception family, with Inception Resnet-V2 combining elements of ResNet and Inception, while Inception-V4 improves performance by reducing architectural complexity. The research objective is to evaluate the performance of models from both architectures in the context of cocoa bean classification. Research results show that the Inception Resnet-V2 architecture with RMSprop optimizer settings, batch size 16, and learning rate 0.0001 performs the best, with an accuracy of 91.87%, precision of 92.00%, recall of 92.00%, f1-score of 92.00%, and ROC AUC Score of 0.950. Keywords: Deep Learning, CNN, Inception Resnet-V2, Inception-V4, Cocoa Beans

Prakiraan Hujan menggunakan Metode Random Forest dan Cross Validation RAKHMAT, GALIH ASHARI; MUTOHAR, WISNU
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 2 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i2.173-187

AbstrakCuaca hujan adalah salah satu unsur iklim yang tinggiÂ keragamannya, membuat pola sebaran hujan disetiap daerah cenderung tidak menentu. Akibatnya informasi akan kondisi cuaca hujan yang diberikan tidak tepat, maka perlu dilakukanÂ prakiraan hujan yang akurat untuk dapat mengantisipasi kondisi cuaca hujan yang tidak menentu. Dengan menggunakan data historis cuaca, serta penggunaan model machine learning dapat diterapkan untuk analisis permasalahan prakiraan hujan. Menggunakan metode random forest dengan komponen hyperparamter e_estimator dan max_depth serta teknik cross validation untuk menghasilkan kinerja model yang optimal. Lalu mengevaluasi kinerja model menggunakan matriks MSE, RMSE dan MAE. Data cuaca BMKG digunakan rentang tahun 2015-2021 dengan jumlah 2557 data yang dimana dibagi menjadi 80% data latih dan 20% data uji. Hasil pengujianÂ model random forest dengan nilai n_estimator : 100, max_depth : None, dan cross validation : 3 menghasilkan kinerja paling optimal. DenganÂ menghasilkan matriks evaluasi nilaiÂ MSE : 0,086,Â RMSE : 0,290 dan MAE : 0,186. Serta dalam pengujian aplikasi penentuan kondisi hujan dari 30 kasus data menghasilkan persentase 60%.Kata kunci: Prakiraan Hujan, Machine Learning, Random Forest, Cross ValidationRainy weather is one of the climate elements that has high diversity, making the pattern of distribution of rain in each area tends to be erratic. As a result, the information on rainy weather conditions provided is not correct, it is necessary to make accurate rain forecasts to be able to anticipate erratic rainy weather conditions. Using historical weather data, as well as the use of machine learning models can be applied to analyze rain forecasting problems. Using the random forest method with hyperparameter components e_estimator and max_depth and cross-validation techniques to produce optimal model performance. Then evaluate the performance of the model using the MSE, RMSE, and MAE matrices. BMKG weather data is used for the 2015-2021 range with a total of 2557 data which is divided into 80% training data and 20% test data. The results of testing the random forest model with a value of n_estimator: 100, max_depth: None, and cross-validation : 3 produce the most optimal performance. By producing an evaluation matrix of MSE values: 0.086, RMSE: 0.290, and MAE: 0.186. As well as in testing the application to determine rain conditions from 30 cases of data, it produced a percentage of 60%.Keywords: Rain Forecasting, Machine Learning, Random Forest, Cross Validation

Deteksi Marker Augmented Reality dalam Pengenalan Batik Kalimantan Timur menggunakan Algoritma Convolutional Neural Networks (CNNs) SA'AD, MUHAMMAD IBNU; PRATIWI, HENY
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 9, No 1 (2024): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v9i1.89-98

AbstrakMultimedia dan kecerdasan buatan saat ini masih menjadi trend dalam dunia pendidikan, wirausaha, industri, teknologi kedokteran, dan bidang lainnya. Salah satu perkembangan teknologi computer vision adalah Augmented Reality. Augmented reality merupakan teknologi yang menggabungkan antara dunia nyata dan dunia maya dengan menggunakan marker sebagai target objek 3D yang akan ditampilkan. Algoritma Convolutional Neural Network, sebagai pendukung dalam penelitian ini yang bertujuan untuk mengukur keakuratan marker motif batik kalimantan timur. Metode yang digunakan pada penelitian ini adalah marker based tracking untuk melacak penanda visual. Hasil pengujian dengan 100 data marker dengan rasio 80:20 marker motif batik Kalimantan Timur menunjukan akurasi terbaik yaitu sebesar 0,9092, dan rata-rata akurasi keseluruhan dari epoch 1 sampai epoch 20 yaitu sebesar 0,90237. Hasil akhir pengujian marker dan objek 3D Augmented Reality.Kata kunci: multimedia, kecerdasan buatan, augmented reality,convolutional neural networksAbstractMultimedia and artificial intelligence are currently still a trend in the world of education, entrepreneurship, industry, medical technology and other fields. One of the developments in computer vision technology is Augmented Reality. Augmented reality is a technology that combines the real world and the virtual world by using markers as targets for the 3D objects to be displayed. The Convolutional Neural Network algorithm, as support in this research, aims to measure the accuracy of East Kalimantan batik motif markers. The method used in this research is marker based tracking to track visual markers. The test results with 100 marker data with a ratio of 80:20 for East Kalimantan batik motif markers showed the best accuracy, namely 0.9092, and the overall average accuracy from epoch 1 to epoch 20 was 0.90237. Final results of testing markers and 3D Augmented Reality objects.Keywords: multimedia, artificial intelligence, augmented reality, convolutional neuralnetworks

Evaluasi Algoritma Pembelajaran Terbimbing terhadap Dataset Penyakit Jantung yang telah Dilakukan Oversampling MASRURIYAH, ANIS FITRI NUR; NOVITA, HILDA YULIA; SUKMAWATI, CICI EMILIA; ARIF, SITI NOVIANTI NURAINI; RAMADHAN, ANGGA RAMDA
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 2 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i2.242-253

AbstrakPenyakit jantung mengalami peningkatan setiap tahunnya dan menjadi penyebab kematian tertinggi di Indonesia, terutama pada usia produktif. Pola makan yang tidak seimbang dan gaya hidup tidak sehat menjadi faktor penyebab prevalensi penyakit jantung yang tinggi. Bidang ilmu kedokteran mulai beradaptasi dan mengandalkan model prediksi otomatis berbasis komputer untuk diagnosis secara tepat dan akurat. Data tentang penyakit jantung seringkali memiliki ketidakseimbangan, yaitu jumlah data pada kelas minoritas lebih kecil daripada kelas mayoritas. Oleh karena itu, teknik oversampling seperti SMOTE dan ADASYN digunakan untuk menangani masalah ini. Hasil dari penelitian ini Algoritma Random Forest Classifier menjadi model perbandingan terbaik dengan akurasi sekitar 90,71%. Penerapan teknik oversampling SMOTE + Random Forest, akurasi dapat meningkat hingga sekitar 94,54% dengan kurva ROC sebesar 98,4%. Model diagnosa yang akurat dapat menjadi media bagi tenaga medis untuk mengambil langkah pencegahan yang tepat dan meningkatkan kualitas perawatan pasien.Kata kunci: ADASYN, Klasifikasi, Pohon Keputusan, Regresi, SMOTEAbstractHeart disease is rapidly increasing in Indonesia and has become the primary cause of death, particularly among those in their productive years. The prevalence of heart disease is due to unhealthy lifestyle choices and an imbalanced diet. The medical field is relying more heavily on computer-based automatic prediction models to ensure precise and accurate diagnoses. However, data on heart disease is frequently imbalanced, with fewer cases in the minority class. To resolve this issue, oversampling techniques such as SMOTE and ADASYN have been implemented. The study demonstrates that the Random Forest Classifier Algorithm is the most effective comparison model, with an accuracy rate of approximately 90.71%. By implementing the SMOTE + Random Forest oversampling technique, the accuracy rate increased to around 94.54%, with a ROC curve of 98.4%. A highly accurate diagnostic model is essential for enabling medical personnel to take appropriate preventive measures and enhance the quality of patient care.Keywords: ADASYN, Classification, Decision Tree, Regresi, SMOTE

Perbandingan Metode ARIMA dan LSTM pada Prediksi Jumlah Pengunjung Perpustakaan UMAM, KHOTIBUL; ARDIANSYAH, ARDIANSYAH
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 2 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i2.119-129

ABSTRAKPeningkatan jumlah mahasiswa di IAIN Madura memberikan dampak yang besar terhadap jumlah pengunjung perpustakaan. Setiap peningkatan jumlah pengunjung harus diimbangi dengan pelayanan yang baik kepada. Maka perlu adanya suatu sistem prediksi jumlah pengunjung perpustakaan di masa yang akan datang sebagai penunjang dalam perencanaan dan pengembangan perpustakaan terutama dalam hal ketersediaan prasarana. Penelitian ini mengulas tentang prediksi jumlah pengunjung perpustakaan di masa yang akan datang dengan melakukan prediksi terhadap pengunjung di masa depan dengan metode ARIMA dan LSTM. Tujuan penelitian ini untuk memprediksi jumlah pengunjung yang akan berkunjung. Dataset yang digunakan adalah data pengunjung perpustakaan IAIN Madura dari bulan Januari 2018 sampai Desember 2022. Penelitian ini menghasilkan nilai RMSE metode ARIMA sebesar 26.17 sedangkan metode LSTM sebesar 35.59. Sedangkan untuk nilai MAPE metode ARIMA sebesar 22% dan model LSTM sebesar 25% dan dapat disimpulkan penggunaan metode ARIMA lebih baik dibandingkan dengan LSTM untuk data kasus dan pola pada penelitian ini.Kata kunci: Arima, Long Short Term Memory, Prediksi, Pengunjung, RMSEABSTRACTThe increase in the number of students at IAIN Madura has a big impact on the number of library visitors. Any increase in the number of visitors must be balanced with good service too. So it is necessary to have a prediction system for the number of library visitors in the future as a support in planning and developing the library, especially in terms of infrastructure availability. This research reviews the prediction of the number of library visitors in the future by predicting future visitors with the ARIMA and LSTM methods. The purpose of this research is to predict the number of visitors who will visit. The dataset used is IAIN Madura library visitor data from January 2018 to December 2022. This research produces an RMSE value of the ARIMA method of 26.17 while the LSTM method is 35.59. As for the MAPE value of the ARIMA method of 22% and the LSTM model of 25%, it can be concluded that the use of the ARIMA method is better than LSTM for case data and patterns in this study.Keywords: Arima, Long Short Term Memory, Prediction, Visitors, RMSE

Identifikasi Emosi Melalui Sinyal Elektroensephalogram Menggunakan Graph Convolutional Network LIONITAMA, VENA MEILINDA; DJAMAL, ESMERALDA CONTESSA; KASYIDI, FATAN
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 9, No 1 (2024): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v9i1.42-51

AbstrakEmosi merupakan bentuk respon manusia terhadap sesuatu. Pengenalan emosi menggunakan komputer dapat membantu para dokter untuk mengetahui emosi yang sedang dirasakan oleh seseorang berdasarkan aktivitas otak. Aktivitas otak dapat diketahui dengan cara merekam aktivitas sinyal Electroensephalogram (EEG). Sinyal EEG memiliki karakteristik yang berubah-ubah dan non stasioner sehingga membutuhkan metode yang dapat mengintegrasikan karakteristik temporal dan spasial. Pengenalan emosi menggunakan sinyal EEG berkaitan erat dengan pola konektivitas pada belahan otak manusia, karena setiap emosi akan memiliki pola konektivitas yang berbeda dalam belahan otak. Maka dari itu mempelajari pola konektivitas dalam belahan otak akan membantu dalam pengenalan emosi. Dan untuk menangani hal itu dibutuhkan metode deep learning yang dapat mengintegrasikan karakteristik temporal dan spasial dan dapat menerima masukan berupa pola konektivitas tersebut, metode yang dapat menanganinya yaitu, Graph Convolutional Network (GCN). Penelitian ini telah membuat sistem identifikasi emosi dengan tiga kelas menggunakan GCN dan menghasilkan akurasi data uji sebesar 35,52%.Kata kunci: Emosi; Deep Learning; Sinyal EEG; Spasial; Temporal; GCNAbstractEmotion is a form of human response to something. Emotion recognition using computers can help doctors to see the emotions that are being felt by a person based on brain activity. Brain activity can be known by recording electroencephalogram (EEG) signal activity. EEG signals have changing and non-stationary characteristics, requiring a method to integrate temporal and spatial characteristics. Emotion recognition using EEG signals is closely related to connectivity patterns in the human brain hemispheres because each emotion will have different connectivity patterns in the brain hemispheres. Therefore, studying the connectivity patterns in the cerebral hemispheres will help in emotion recognition. Moreover, a deep learning method is needed to integrate temporal and spatial characteristics and receive input in the form of connectivity patterns, a method that can handle Graph Convolutional Network (GCN). This research has created an emotion identification system with three classes using GCN and produced an accuracy of 35.52% of testing data.Keywords: Emotion; Deep Learning; EEG Signal; Spatial; Temporal; GCN

Penambahan Parameter PM2.5 dalam Prediksi Kualitas Udara : Long Short Term Memory KRISTIANA, LISA; MIYANTO, DIAN
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 2 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i2.188-202

AbstrakKualitas udara yang buruk menjadi masalah serius yang mempengaruhi kesehatan manusia dan lingkungan. Penyebabnya bervariasi, termasuk polusi udara, emisi industri, dan aktivitas manusia. Masalah yang dibahas adalah bagaimana menggunakan metode Long Short-Term Memory untuk memprediksi kualitas udara. Data kualitas udara yang mencakup parameter yang digunakan yaitu Partikel Kasar (PM10), Sulfur dioksida (SO), Karbon monoksida (CO), Ozon (O3) Nitrogen dioksida (NO2) serta penambahan Partikel Halus (PM2.5) yang belum terdapat pada penelitian sebelumnya. Penggunaan metode LSTM jenis khusus dari model Recurrent Neural Network (RNN), yang dirancang untuk mengatasi masalah "vanishing gradient" yang sering muncul dalam pelatihan RNN tradisional. Salah satu keunggulan LSTM adalah kemampuannya untuk menangkap dependensi jarak jauh dalam data berurutan, yang berarti dapat "mengingat" informasi dalam jangka waktu yang lama. Dengan melakukan evaluasi data pengujian menggunakan metrik evaluasi Root Mean Squared Error dengan hasil 4.0279.Kata kunci: LSTM, RNN, Kualitas Udara, Prediksi, PM2.5AbstractPoor air quality is a serious problem affecting human health and the environment. The causes are varied, including air pollution, industrial emissions, and human activities. The problem discussed is how to use the Long Short-Term Memory method to predict air quality. Air quality data which includes the parameters used are Coarse Particles (PM10), Sulfur dioxide (SO), Carbon monoxide (CO), Ozone (O3) Nitrogen dioxide (NO2) and the addition of Fine Particles (PM2.5) which have not been found in research previously. The use of the LSTM method is a special type of Recurrent Neural Network (RNN) model, which is designed to overcome the "vanishing gradient" problem that often arises in traditional RNN training. One advantage of LSTM is its ability to capture remote dependencies in sequential data, meaning it can "remember" information over long periods of time. By evaluating the test data using the evaluation metric Root Mean Squared Error with a result of 4.0279.Keyword: LSTM, RNN, Air Quality, Prediction, PM2.5

Otomatisasi Backup Konfigurasi Perangkat Jaringan Komputer Cisco PRASETYO, FIRMAN DWI JAYA; SUTARJO, HADI; TRIANTORO, DANDI; SAKTI, DOLLY VIRGIAN SHAKA YUDHA
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 9, No 1 (2024): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v9i1.99-112

ABSTRAK Manajemen perangkat jaringan umumnya dilakukan oleh administrator sesuai dengan tingkat kompleksitas jaringan. Penelitian ini bertujuan untuk mempercepat proses pemeliharaan yang dilakukan pada beberapa perangkat router dan switch cisco. Setiap bulan, laporan bulanan diperlukan untuk merekam kegiatan pemeliharaan, yang secara inti membahas rincian perangkat mana yang masih beroperasi. Selain itu, kegiatan ini juga mencakup pembuatan cadangan konfigurasi pada setiap perangkat, dengan tujuan memberikan tim pemeliharaan akses cepat ke konfigurasi terakhir jika terjadi situasi darurat, sehingga mempercepat proses pemulihan. Hasil dari pelatihan model menggunakan dataset sintetis yang dibuat dengan menggunakan Python library menunjukkan bahwa model terbaik berhasil mencapai akurasi sebesar 99% terhadap 10 perangkat jaringan yang di uji coba untuk hal ini yang di uji ialah perangkat cisco saja, yang diperoleh dari percobaan para network engineer.Kata kunci: Back up konfigurasi, Otomatisasi, Log riwayatABSTRACTNetwork device management is generally carried out by administrators according to the level of network complexity. This research aims to speed up the maintenance process carried out on several Cisco router and switch devices. Each month, a monthly report is required to record maintenance activities, essentially discussing the details of which devices are still operational. In addition, this activity also includes creating a backup of the configuration on each device, with the aim of providing the maintenance team with quick access to the latest configuration in case of an emergency situation, thereby speeding up the recovery process. The results of model training using a synthetic dataset created using the Python library show that the best model managed to achieve an accuracy of 99% on 10 network devices that were tested. This was only a Cisco device that was tested, which was obtained from experiments by network engineers. Keywords: Back up configuration, Automation, Log history

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name
-

Contact Email
-

Phone
-

Journal Mail Official
-

Editorial Address
-

Location
Kota bandung,

Jawa barat

INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name -

Contact Email -

Phone -

Journal Mail Official -

Editorial Address -

Location Kota bandung, Jawa barat INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Contact Name
-

Contact Email
-

Phone
-

Journal Mail Official
-

Editorial Address
-

Location
Kota bandung,

Jawa barat

INDONESIA