cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Hafizh Al Kautsar Aidilof
Contact Email
hafizh@unimal.ac.id
Phone
+6282168699025
Journal Mail Official
techsi@unimal.ac.id
Editorial Address
Fakultas Teknik Program Studi Teknik Informatika Universitas Malikussaleh Jl. Batam. Kampus Bukit Indah. Gedung Prodi Teknik Informatika. Blang Pulo, Lhokseumawe, Aceh
Location
Kota lhokseumawe,
Aceh
INDONESIA
TECHSI - Jurnal Teknik Informatika
Published by Universitas Malikussaleh
ISSN : 23024836     EISSN : 26146029     DOI : https://doi.org/10.29103/techsi.v13i2.3548
Core Subject : Science, Education,
Computer Science & IT Decision Sciences, Operations Research & Management Education Other
Focus and Scope The fields covered in the scope of TECHSI include: Artificial Intelligence Computer Graphics and Animation Image Processing Cryptography Computer Network Security Modelling and Simulation Information Retrieval Information Filtering Multimedia Bioinformatics and Telemedicine Computer Architecture Design Computer Vision and Robotics Parallel and Distributed Computing Operating System Compiler and Interpreter Information System Game Numerical Methods Mobile Computing Natural Language Processing Data Mining Cognitive System Digital Speech Processing Expert System Geographical Information System Computing Theory
Arjuna Subject : Teknik (semua kategori) - Teknik (Lain-Lain)
Articles 243 Documents
 21   22   23   24   25 
Analisis Komparasi Algoritma Random Forest dan Support Vector Machine untuk Deteksi Intrusi Jaringan Fachri Satia Simbolon, Hasanal; Linhar P, Ade; Putra, Rafi Septiawan; Izhari, Fahmi
TECHSI - Jurnal Teknik Informatika Vol. 16 No. 2 (2025)
Publisher : Teknik Informatika Universitas Malikussaleh

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29103/techsi.v16i2.25811

Abstract

Meningkatnya kompleksitas serangan siber menuntut adanya sistem keamanan jaringan yang adaptif dan efisien. Intrusion Detection System (IDS) tradisional seringkali memiliki keterbatasan dalam mengenali pola serangan baru. Penelitian ini bertujuan untuk mengevaluasi kinerja dua algoritma Machine Learning, yaitu Random Forest (RF) dan Support Vector Machine (SVM), dalam mengklasifikasikan trafik jaringan normal dan serangan. Eksperimen dilakukan menggunakan dataset NSL-KDD dengan melibatkan seluruh 41 fitur melalui tahapan preprocessing, normalisasi, dan validasi data dengan rasio 80:20. Hasil pengujian menunjukkan bahwa algoritma Random Forest mengungguli SVM dengan tingkat akurasi mencapai 99.78%, presisi 1.00, dan recall 1.00. Sebaliknya, SVM mencatatkan akurasi sebesar 99.03%. Selain unggul dalam akurasi, Random Forest terbukti lebih efisien dengan waktu pelatihan (training time) rata-rata 3.72 detik, hampir dua kali lebih cepat dibandingkan SVM yang membutuhkan 6.61 detik. Berdasarkan hasil tersebut, Random Forest direkomendasikan sebagai algoritma yang lebih efektif untuk implementasi IDS pada lingkungan yang membutuhkan respons waktu nyata (real-time).
Perbandingan Algoritma Decision Tree dan Random Forest dalam Klasifikasi Kepuasan Pengguna Sistem Informasi Akademik : Studi Literatur: Indonesia Putra, Rafi Septiawan; Simbolon, Hasanal Fachri Satia; Linhar P, Ade; Izhari, Fahmi
TECHSI - Jurnal Teknik Informatika Vol. 16 No. 2 (2025)
Publisher : Teknik Informatika Universitas Malikussaleh

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29103/techsi.v16i2.25799

Abstract

Kepuasan pengguna merupakan salah satu indikator penting dalam menilai keberhasilan Sistem Informasi Akademik di perguruan tinggi. Berbagai penelitian telah menerapkan algoritma machine learning untuk mengklasifikasikan tingkat kepuasan pengguna, di antaranya Decision Tree dan Random Forest. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa kedua algoritma tersebut berdasarkan hasil penelitian terdahulu. Metode yang digunakan adalah studi literatur terhadap artikel nasional dan internasional yang dipublikasikan pada periode 2020–2025. Analisis dilakukan secara deskriptif dan komparatif dengan meninjau metrik performa seperti akurasi, presisi, dan recall. Hasil kajian menunjukkan bahwa Random Forest secara umum memiliki performa yang lebih unggul dan stabil dibandingkan Decision Tree, terutama dalam aspek akurasi. Namun, Decision Tree tetap memiliki keunggulan dalam hal interpretabilitas model. Oleh karena itu, pemilihan algoritma klasifikasi sebaiknya disesuaikan dengan tujuan analisis dan kebutuhan institusi.
Perkembangan Teknologi Komputasi Kuantum dalam Era Modern Rahayu, Rusnai; Alfa Dira, Liona Agelerie; Marunduri, Pangeran Nabisha; Lubis, Marhamah; Habibi, Irham Yusuf
TECHSI - Jurnal Teknik Informatika Vol. 16 No. 2 (2025)
Publisher : Teknik Informatika Universitas Malikussaleh

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29103/techsi.v16i2.25802

Abstract

Teknologi komputasi kuantum,yang didasarkan pada prinsip-prinsip mekanika kuantum seperti superposisi dan keterikatan,mengalami hambatan besar,seperti masalah dekoheresikoreksi kesalahan kuantum dan kebutuhan akan infrastruktur perangkat kuat dan dapat diperluas, kendala ini membatasi kemampuan untuk menangani tugas-tugas komplek di bidang keamanan data,perbaikan proses,serta sistem kecerdasan buatan secara efektif. Penelitian terkini fokus pada kemajuan stabilitas qubit dan pengembangan algoritma kuantum yang lebih efisien,dengan tinjauan terhadap tren inovasi yang sedang berkembang.Kajian ini mengeksplorasi bagaimana teknologi ini memberikan pendekatan inovatif untuk memproses informasi dengan efisiensi pararel yang luar biasa.Metode yang digunakan melibatkan peningkatan kedalam sistem,pengelolaan kesalahan,dan penelitian mendalam untuk memastikan penerapan yang etis dan aman.pendekatan ini fukus kepada inovasi berkelanjutan untuk memaksialkan manfaat komputasi kuantum dalam konteks industri global.Hasil utama menunjukkan bahwa perbaikan algoritma telah membuka peluang untuk implementasi praktis dalam enkripsi , optimalisasi, dan simulasi Tingkat lanjut,walaupun teknologi ini masih dalam tahap perkembangan. Secara keseluruhan, potensi transfomasional komputasi kuantum sangatlah besar,dan dengan dukungan dan inovasi yang berkelanjutan,diharapkan dapat memberikan sumbangan praktis dan etis bagi berbagai sektor di masa depan.Teknologi ini diharapkan dapat memberikan kontribusi yang bertanggung jawab.

Page 25 of 25 | Total Record : 243

 21   22   23   24   25 

Filter by Year

2012 2025


Reset
Filter By Issues
All Issue Vol. 16 No. 2 (2025) Vol. 16 No. 1 (2025) Vol. 15 No. 2 (2024) Vol. 15 No. 1 (2024) Vol. 14 No. 2 (2023) Vol. 14 No. 1 (2023) Vol 13, No 2 (2021) Vol 13, No 1 (2021) Vol 12, No 2 (2020) Vol. 12 No. 2 (2020) Vol 12, No 1 (2020) Vol 11, No 3 (2019) Vol 11, No 2 (2019) Vol 11, No 1 (2019) Vol 8, No 2 (2016) Vol 8, No 1 (2016) Vol 7, No 1 (2015) Vol 10, No 2 (2018) Vol 10, No 1 (2018) Vol 9, No 2 (2017) Vol 9, No 1 (2017) Vol 7, No 2 (2015) Vol 6, No 2 (2014) Vol 6, No 1 (2014) Vol 5, No 2 (2013) Vol 5, No 1 (2013) Vol 4, No 1 (2012) More Issue