cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Bahar
Contact Email
bahararahman@gmail.com
Phone
-
Journal Mail Official
puslit.stmikbjb@gmail.com
Editorial Address
-
Location
Kota banjarmasin,
Kalimantan selatan
INDONESIA
Progresif: Jurnal Ilmiah Komputer
Published by Sekolah Tinggi Manajemen Informatika dan Komputer Banjarbaru
ISSN : 02163284     EISSN : 26850877     DOI : -
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering
Progresif: Jurnal Ilmiah Komputer adalah Jurnal Ilmiah bidang Komputer yang diterbitkan secara periodik dua nomor dalam satu tahun, yaitu pada bulan Februari dan Agustus. Redaksi Progresif: Jurnal Ilmiah Komputer menerima Artikel hasil penelitian atau atau artikel konseptual bidang Komputer.
Arjuna Subject : -
Articles 5 Documents
 1 
Search results for , issue "Vol 22, No 2 (2026): April" : 5 Documents clear
Nextcloud Based Personal Cloud Storage Implementation on Raspberry-Pi 4 for Lightweight Cloud Infrastructure Suhendi, Ahmad Asep; Noprianto, Noprianto; Iman, Ragil Nur; Syifaurachman, Syifaurachman
Progresif: Jurnal Ilmiah Komputer Vol 22, No 2 (2026): April
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i2.3602

Abstract

Cloud computing has emerged as a prevalent technique for data storage and management via internet-based platforms, eliminating the need for local storage devices. Nonetheless, public cloud services like Google Drive and Dropbox have issues related to data privacy, security, and user control over the foundational infrastructure. This study advocates for the deployment of a private cloud storage system utilizing Nextcloud on a Raspberry Pi 4 as a streamlined and economical infrastructure option. The Raspberry Pi is chosen for its compact dimensions, little power usage, and cost-effectiveness relative to traditional servers. The system is constructed on Ubuntu Server, utilizing Apache as the web server, MySQL as the database management system, and PHP to facilitate the Nextcloud application. The research process encompasses system requirements analysis, system design, implementation, and thorough testing. The findings indicate that the system effectively delivers critical cloud storage capabilities, encompassing file upload, download, sharing, data synchronization, and user access management. The performance assessment reveals that the system functions stably, responsively, and reliably for small to medium-scale storage requirements, while ensuring a sufficient degree of security.Keywords: Cloud computing; Cloud storage; Raspberry-pi; Nextcloud; Lightweight cloud infrastructure;AbstrakCloud computing menjadi teknologi yang banyak diadopsi untuk penyimpanan dan pengelolaan data melalui internet tanpa bergantung pada perangkat lokal. Namun, layanan cloud publik seperti Google Drive dan Dropbox menimbulkan kekhawatiran terkait privasi, keamanan, serta kendali pengguna terhadap data dan infrastruktur. Penelitian ini mengusulkan implementasi sistem cloud pribadi berbasis Nextcloud pada Raspberry Pi 4 sebagai solusi infrastruktur ringan dan berbiaya rendah. Raspberry Pi dipilih karena ukurannya ringkas, hemat daya, serta ekonomis dibandingkan server konvensional. Sistem dibangun menggunakan Ubuntu Server dengan Apache sebagai web server, MySQL sebagai database, serta PHP untuk mendukung aplikasi. Metodologi penelitian meliputi analisis kebutuhan, perancangan sistem, implementasi, dan pengujian sistem secara menyeluruh dan terstruktur. Hasil menunjukkan sistem mampu menyediakan fitur unggah, unduh, berbagi file, sinkronisasi data, serta manajemen akses pengguna secara efektif dan efisien. Pengujian kinerja menunjukkan sistem berjalan stabil, responsif, dan andal untuk kebutuhan penyimpanan skala kecil hingga menengah secara optimal dan berkelanjutan dengan tingkat keamanan yang memadai.Kata kunci: Komputasi awan; Penyimpanan awan; Raspberry-pi; Nextcloud; Infrastruktur awan ringan  
Deteksi Serangan DDoS pada Trafik IoT Menggunakan Random Forest dengan Dataset CICIoT2023 Billah, Muchammad Basroil; Idhom, Mohammad; Maulana, Hendra
Progresif: Jurnal Ilmiah Komputer Vol 22, No 2 (2026): April
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i2.3614

Abstract

As the number of Internet of Things (IoT) devices continues to grow, these devices become increasingly vulnerable to Distributed Denial of Service (DDoS) attacks. However, their limited computational capacity makes it difficult to implement conventional security mechanisms. This study proposes a model for detecting DDoS attacks using Random Forest, trained using the CICIoT2023 dataset, which consists of 46 flow-based features collected from 105 real-world IoT devices. The preprocessing stage includes binary classification, normalization using StandardScaler, and handling class imbalance through a combination of 1:10 undersampling and class weighting. Evaluation on 1,154,684 test samples shows excellent performance, achieving 99.99% accuracy, 100% precision, 99.99% recall, and 99.99% F1-score. To ensure reliability, six validation checks are conducted, including overfitting analysis, cross-validation. The results confirm that the model can generalize well beyond the training data. Most attack types are detected perfectly, although application-layer attacks such as DDoS-SlowLoris remain more challenging. Overall, Random Forest proves to be an effective and relatively lightweight approach for DDoS detection in IoT environments.Keywords: DDoS; Random Forest; IoT; CICIoT2023; Machine LearningAbstrakPertumbuhan jumlah perangkat IoT menyebabkan peningkatan risiko terhadap berbagai ancaman keamanan terhadap serangan Distributed Denial of Service (DDoS). Namun, keterbatasan kapasitas komputasi pada perangkat IoT menyulitkan penerapan mekanisme keamanan konvensional. Penelitian ini mengusulkan model deteksi DDoS berbasis Random Forest yang dilatih menggunakan dataset CICIoT2023, yang terdiri dari 46 fitur berbasis flow yang dikumpulkan dari 105 perangkat IoT nyata. Tahap preprocessing meliputi klasifikasi biner, normalisasi menggunakan StandardScaler, serta penanganan ketidakseimbangan kelas melalui kombinasi undersampling (1:10) dan class weighting. Hasil evaluasi pada 1.154.684 data uji menunjukkan performa yang sangat tinggi, dengan accuracy sebesar 99,99%, precision 100%, recall 99,99%, dan F1-score 99,99%. Untuk memastikan keandalan model, dilakukan enam pengujian validasi, termasuk analisis overfitting, cross-validation. Hasil penelitian mengonfirmasi bahwa model mampu melakukan generalisasi dengan baik terhadap data di luar data pelatihan. Sebagian besar jenis serangan berhasil dideteksi secara sempurna, meskipun serangan pada lapisan aplikasi seperti DDoS-SlowLoris masih menjadi tantangan. Secara keseluruhan, Random Forest terbukti sebagai pendekatan yang efektif dan relatif ringan untuk deteksi DDoS pada lingkungan IoT Kata kunci: DDoS; Random Forest; IoT; CICIoT2023; Machine Learning
Analisis Sentimen Terhadap Program Makan Bergizi Gratis Menggunakan Metode Logistic Regression Indrawan, Ari Budi; Maulana, Donny; Abdurrohman, M. Zubair
Progresif: Jurnal Ilmiah Komputer Vol 22, No 2 (2026): April
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i2.3610

Abstract

This study aims to analyze public sentiment toward the Free Nutritious Meal Program (MBG), a policy implemented by the Indonesian government to improve the nutritional quality of students. The data used consist of 1,440 tweets collected through a scraping process from the X/Twitter platform. The data processing stages include preprocessing steps such as case folding, cleaning, tokenizing, stopword removal, and stemming using the Sastrawi library. Furthermore, the text data are transformed into numerical representations using the TF-IDF method and classified using the Logistic Regression algorithm. To enhance the model's performance, the SMOTE technique is applied to address data imbalance, along with GridSearchCV for parameter optimization. The results indicate that the Logistic Regression model achieves excellent performance, with an Accuracy of 98.96%, Precision of 99.14%, Recall of 98.10%, and an F1-Score of 98.61%. This study is expected to provide an objective overview of public perception and serve as a reference for policy evaluation and decision-making.Keywords: Sentiment Analysis; Free Nutritious Meal Program; Logistic Regression; Text mining; NLP.AbstrakPenelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap Program Makan Bergizi Gratis (MBG) yang merupakan kebijakan pemerintah Indonesia dalam meningkatkan kualitas gizi peserta didik. Data yang digunakan berupa 1.440 tweet yang diperoleh melalui proses scraping dari platform X/Twitter. Tahapan pengolahan data meliputi preprocessing yang terdiri dari case folding, cleaning, tokenizing, stopword removal, dan stemming menggunakan library Sastrawi. Selanjutnya, data teks diubah menjadi representasi numerik menggunakan metode TF-IDF dan diklasifikasikan menggunakan algoritma Logistic Regression. Untuk meningkatkan performa model, diterapkan teknik SMOTE dalam mengatasi ketidakseimbangan data serta GridSearchCV untuk optimasi parameter. Hasil penelitian menunjukkan bahwa model Logistic Regression memiliki kinerja yang sangat baik dengan akurasi sebesar 98,96%, Precision 99,14%, Recall 98,10%, dan F1-Score 98,61%. Penelitian ini diharapkan dapat memberikan gambaran objektif mengenai persepsi masyarakat serta menjadi bahan evaluasi dalam pengambilan kebijakan.Kata kunci: Analisis Sentimen; Makan Bergizi Gratis; Logistic Regression; Text mining; NLP.
Analisis Klasifikasi Risiko Penyakit Jantung Menggunakan Metode Random Forest Damayanti, Alfina; Maulana, Donny; Abdurrohman, M. Zubair
Progresif: Jurnal Ilmiah Komputer Vol 22, No 2 (2026): April
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i2.3609

Abstract

Heart disease is one of the leading causes of death worldwide, making early detection crucial to reduce the risk of complications and mortality. The advancement of machine learning technology enables fast and accurate analysis of medical data to support the diagnostic process. This study aims to develop a classification model for heart disease risk using the Random Forest algorithm. The dataset used is the Heart Disease Dataset from Kaggle, consisting of 1,025 patient records with 14 medical attributes, such as age, gender, blood pressure, cholesterol level, and maximum heart rate. The methodology applied is CRISP-DM, which includes Data Understanding, Data Preparation, Modeling, Evaluation, and Deployment. Model Evaluation is conducted using a confusion matrix, cross-validation, and ROC-AUC. The results show that the Random Forest algorithm achieves a high Accuracy of 99.96% and a cross-validation score of 0.996. The variables chest pain, ca, and thalach are identified as the most influential factors in the prediction.Keywords: Heart Disease; Random Forest; Machine learning; Classification; CRISP-DM AbstrakPenyakit jantung merupakan salah satu penyebab utama kematian di dunia sehingga deteksi dini sangat penting untuk mengurangi risiko komplikasi dan kematian. Perkembangan teknologi machine learning memungkinkan analisis data medis secara cepat dan akurat dalam membantu proses diagnosis. Penelitian ini bertujuan membangun model klasifikasi risiko penyakit jantung menggunakan Algoritma Random Forest. Dataset yang digunakan adalah Heart Disease Dataset dari Kaggle yang terdiri dari 1025 data pasien dengan 14 atribut medis, seperti usia, jenis kelamin, tekanan darah, kadar kolesterol, dan detak jantung maksimum. Metode yang digunakan adalah CRISP-DM meliputi Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Evaluasi model dilakukan menggunakan confusion matrix, cross validation, dan ROC-AUC. Hasil penelitian menunjukkan bahwa Random Forest menghasilkan akurasi tinggi dengan nilai 99,96% serta cross validation sebesar 0,996. Variabel chest pain, ca, dan thalach menjadi faktor paling berpengaruh dalam prediksi.Kata kunci: Penyakit jantung; Random Forest; Machine learning; Klasifikasi; CRISP-DM.
Analisis Trade-Off Arsitektur Multi-Tenant Sebagai Dasar Justifikasi Strategi Basis Data SaaS Aziza, Siti Tiara Nur; Nugraha, Yopi
Progresif: Jurnal Ilmiah Komputer Vol 22, No 2 (2026): April
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i2.3590

Abstract

Designing a database architecture within a multi-tenant software as a service environment brings forth strategic challenges related to balancing cost efficiency, data separation, and scalability. The aim of this study is to provide a foundational framework for such systems by analyzing the trade-offs among three distinct database architecture models. By employing a case study that involves the deployment of a web-based system, the descriptive qualitative methodology utilizes data collection techniques such as document reviews, system observations, and artifact analyses. The evaluation results indicate that no single model stands out as the best, as each one presents its own set of competing advantages and disadvantages. The innovation in this research lies in the creation of a conceptual compromise model intended to enhance decision-making in database design. The choice of approach should be tailored to meet the specific requirements of the system and its operational context.Keywords: SaaS; Multi-tenant; Trade-off analysis; Database architecture; Shared schema. AbstrakMerancang arsitektur basis data dalam lingkungan perangkat lunak sebagai layanan multi-tenant menghadirkan tantangan strategis terkait dengan keseimbangan antara efisiensi biaya, pemisahan data, dan skalabilitas. Tujuan dari penelitian ini adalah untuk menyediakan suatu rencana dasar untuk sistem tersebut dengan membandingkan pertukaran di antara tiga jenis arsitektur basis data yang berbeda. Dengan menggunakan studi kasus yang melibatkan penyebaran sistem berbasis web, metodologi kualitatif deskriptif menerapkan teknik pengumpulan data yang mencakup tinjauan dokumen, pengamatan sistem, dan analisis artefak. Hasil evaluasi menunjukkan bahwa tidak ada satu model yang benar-benar menonjol karena masing-masing memiliki kelebihan dan kekurangan yang saling bertentangan. Inovasi dalam penelitian ini terletak pada pengembangan model kompromi konseptual yang bertujuan untuk meningkatkan pengambilan keputusan dalam desain basis data. Pemilihan pendekatan harus disesuaikan dengan kebutuhan spesifik dari sistem dan lingkungan kerjanya.Kata kunci: Perangkat lunak sebagai layanan; Multi-tenant; Analisis trade-off; Arsitektur basis data; Skema basis data

Page 1 of 1 | Total Record : 5

 1 

Filter by Year

2026 2026


Reset
Filter By Issues
All Issue Vol 22, No 2 (2026): April Vol 22, No 1 (2026): Januari Vol 21, No 2 (2025): Agustus Vol 21, No 1 (2025): Februari Vol 20, No 2: Agustus 2024 Vol 20, No 1: Februari 2024 Vol 19, No 2: Agustus 2023 Vol 19, No 1: Februari 2023 Vol 18, No 2: Agustus 2022 Vol 18, No 1: Februari 2022 Vol 17, No 2: Agustus 2021 Vol 17, No 1: Februari 2021 Vol 16, No 2: Agustus 2020 Vol 16, No 1: Februari 2020 Vol 15, No 2: Agustus 2019 Vol 15, No 1: Februari 2019 Vol 14, No 2: Agustus 2018 Vol 14, No 1: Februari 2018 Vol 13, No 2: Agustus 2017 Vol 13, No 1: Pebruari 2017 Vol 12, No 2: Agustus 2016 Vol 12, No 1: Pebruari 2016 Vol 11, No 2: Agustus 2015 Vol 11, No 1: Pebruari 2015 Vol 10, No 2: Agustus 2014 Vol 10, No 1: Pebruari 2014 Vol 9, No 2: Agustus 2013 Vol 9, No 1: Pebruari 2013 Vol 7, No 2: Agustus 2011 Vol 6, No 2: Agustus 2010 Vol 6, No 1: Pebruari 2010 Vol 4, No 1: Pebruari 2008 Vol 2, No 2: Agustus 2006 More Issue