cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Tito Sugiharto
Contact Email
tito@uniku.ac.id
Phone
+6281221969608
Journal Mail Official
buffer.informatika@uniku.ac.id
Editorial Address
Kampus 2 Universitas Kuningan Fakultas Ilmu Komputer, Prodi Teknik Informatika, Jalan Pramuka No. 67. Kecamatan Kuningan, Kabupaten Kuningan, Provinsi Jawa Barat 45513
Location
Kab. kuningan,
Jawa barat
INDONESIA
Buffer Informatika
Published by Universitas Kuningan
ISSN : 25274856     EISSN : 26145413     DOI : https://doi.org/10.25134/buffer.v5i2
Core Subject : Science,
Computer Science & IT
BUFFER INFORMATIKA is an official scientific journal published and managed by Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia. Buffer Informatika is a peer-reviewed journal on Software Engineering covering all branches of IT and sub-disciplines including: Algorithms Computer Networks Games Software Engineering Mobile Applications Artificial Intelligence Image Processing Computer Graphics Robotics Data Mining and other Information Technology.
Arjuna Subject : Ilmu Komputer (semua kategori) - Perangkat Lunak
Articles 28 Documents
 1   2   3 
Optimalisasi Smart home IoT Melalui Edge Computing Dan Fuzzy Q-Learning Secara Real-Time Andri, Agung; Kusrini; Agatstya, I Made Artha
Buffer Informatika Vol. 11 No. 1 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini mengoptimalkan sistem Smart home IoT dengan menggabungkan Fuzzy Q-Learning dan komputasi Edge untuk meningkatkan efisiensi energi, mengurangi latensi, dan mempercepat waktu respons. Implementasi sistem mencakup penggunaan sensor PIR, LDR, dan DHT untuk mendeteksi gerakan, intensitas cahaya, serta suhu dan kelembaban, yang kemudian diproses menggunakan Edge Computing sebelum dikirim ke cloud. Pengujian dilakukan dalam tiga skenario: sistem tanpa optimasi berbasis cloud, sistem berbasis Edge tanpa Fuzzy Q-Learning, dan sistem berbasis Edge dengan Fuzzy Q-Learning. Hasil menunjukkan bahwa rata-rata latensi ke cloud menggunakan Ngrok adalah 17,43 ms, sementara latensi melalui Edge Computing hanya 1,67 ms. Efisiensi energi meningkat signifikan, dari konsumsi awal 700 W menjadi 453,17 W setelah optimasi. Waktu respons sistem berbasis cloud mencapai 535,71 ms, sedangkan sistem berbasis Edge dengan Fuzzy Q-Learning berhasil menurunkan waktu respons menjadi 507,33 ms. Perbandingan dengan penelitian sebelumnya menunjukkan bahwa pendekatan ini lebih efisien dalam pengelolaan daya dan latensi dibandingkan dengan metode konvensional berbasis cloud atau Edge tanpa optimasi. Dengan demikian, kombinasi Fuzzy Q-Learning dan komputasi Edge terbukti meningkatkan performa sistem Smart home IoT secara signifikan, menjadikannya solusi optimal untuk pemrosesan data real-time dengan efisiensi energi yang lebih baik.
Implementasi Security Information adn Event Management (SIEM) pada Sistem Akademik Universitas Kuningan Nugraha, Fitra; Khalimi, Toni; Herwanto, Heri
Buffer Informatika Vol. 11 No. 1 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

This research aims to implement Security Information and Event Management (SIEM) in the Kuningan University academic system. The security of information systems in the educational environment, especially in university academic systems, is becoming increasingly important considering the availability of sensitive data, such as student personal information and academic data which must be properly protected. Security threats such as cyber attacks are increasingly complex and can often be detrimental to both universities and system users. In this research, we apply SIEM as a solution to detect, prevent and respond to security threats to the Kuningan University academic system. The system development method is used with the steps of system requirements analysis, system design, system implementation, system testing, and system evaluation. The output of this research is an increase in the security level of Kuningan University's academic system. By implementing SIEM, the system is expected to be able to quickly and effectively detect potential security threats, improve response to security events, and provide reports that are useful for making decisions. Thus, it is hoped that the results of this research can make a significant contribution in improving security and data protection in the Kuningan University academic system, as well as becoming a reference for other educational institutions in maintaining increasingly complex information security defenses.
Meningkatkan Akurasi Prediksi Harga Bitcoin dengan Algoritma GRU-LSTM Hibrida Malik, Danial; Dhani
Buffer Informatika Vol. 11 No. 1 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Beberapa tahun terakhir , harga Bitcoin mengalami fluktuasi yang sangat signifikan, sehingga menimbulkan ketidakpastian bagi investor, pedagang, dan pemegang saham. Penelitian ini bertujuan untuk meningkatkan Akurasi prediksi harga Bitcoin di masa depan. Kontribusi utama penelitian ini membelajaran mesin dalam prediksi harga Bitcoin, serta membuka peluang untuk perbandingan dengan algoritma hibrida lainnya dalam prediksi harga mata uang kripto. Penelitian ini menggunakan dataset harga penutupan Bitcoin selama empat tahun ( dari 1 Januari 2021 hingga 31 Desember 2024), yang diambil dari situs web https://finance.yahoo.com. Prediksi model berdasarkan kombinasi algoritma GRU (Gated Recurrent Units) dan LSTM (Long Short-Term Memory), yang keduanya dirancang untuk menangani data time-series dan memberikan hasil yang lebih akurat dalam konteks Enzim harga Bitcoin. Hasil penelitian menunjukkan bahwa model hybrid GRU-LSTM mampu menghasilkan nilai R2 sebesar 0,976, yang menunjukkan tingkat akurasi yang sangat tinggi dalam Prediksi harga Bitcoin. Pada bulan berikutnya , prediksi yang dihasilkan menunjukkan hasil yang berkelanjutan meningkat , terindikasi bagaimana model ini dalam Prediksi Enzim harga bitcoin yang cenderung tidak tak terduga. Model ini dapat menjadi alat yang sangat berguna bagi investor dan pedagang dalam merencanakan strategi investasi mereka. Faktor utama yang berkontribusi terhadap hasil ini meliputi kualitas data yang kaya informasi, penggunaan model hibrida efektif, penyetelan hyperparameter optimal, serta pemilihan metrik evaluasi yang tepat seperti MAE, MSE, dan R2 untuk menghasilkan prediksi yang akurat dan dapat diandalkan. Penelitian ini menyarankan agar algoritma hybrid lainnya diuji untuk merenungkan efektivitas relatif dalam Prediksi harga mata uang kripto di masa depan
Perbandingan Kinerja Algoritma Machine Learning dalam Deteksi Potensi Risiko HIV Ilmi, M. Bahril; Kusrini
Buffer Informatika Vol. 11 No. 1 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

HIV/AIDS masih menjadi tantangan kesehatan masyarakat yang signifikan di seluruh dunia, yang memengaruhi jutaan orang dan menimbulkan beban substansial pada sistem perawatan kesehatan. Identifikasi dini individu yang berisiko tinggi terinfeksi HIV sangat penting untuk menerapkan intervensi pencegahan. Studi ini berfokus pada prediksi risiko infeksi HIV menggunakan model machine learning tingkat lanjut, yaitu LightGBM, CatBoost, dan XGBoost. Model-model ini dipilih karena kinerjanya yang tinggi dalam menangani kumpulan data yang kompleks dan tidak seimbang yang merupakan ciri khas studi epidemiologi. Penelitian ini memanfaatkan fitur klinis dan demografi untuk mengembangkan model prediktif, menggunakan teknik seperti cross-validation, regularization, dan oversampling (misalnya, SMOTE) untuk mengatasi masalah umum seperti overfitting dan ketidakseimbangan data. Hasilnya menunjukkan bahwa model-model ini dapat mencapai akurasi tinggi, menawarkan alat yang berharga untuk penilaian risiko dini dan membantu dalam penerapan intervensi yang ditargetkan untuk mengendalikan penyebaran HIV
Implementasi YOLOv8 untuk Deteksi dan Hitung Objek Manusia dengan Convolutional Neural Network Mihuandayani; Sefranda Pesik, Wanda Helmi; Mamuaya, Supit; Akbar Nuzul Putra; Mulyaman, Eman
Buffer Informatika Vol. 11 No. 1 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Di era digital saat ini, teknologi telah menjadi bagian tak terpisahkan dari kehidupan sehari-hari, mendorong kebutuhan untuk pemantauan dan penghitungan objek yang efisien dan akurat, khususnya manusia. Meskipun berbagai metode deteksi objek telah berkembang, masih ada tantangan signifikan dalam mengelola dan memantau jumlah pengunjung secara otomatis dalam lingkungan publik dengan akurasi tinggi, terutama dalam kondisi real-time dan berbagai skenario kompleks. Penelitian ini memanfaatkan metode YOLOv8 berbasis arsitektur Convolutional Neural Network (CNN) untuk merancang dan mengimplementasikan sistem deteksi serta penghitungan objek manusia. Tujuan dari penelitian ini adalah untuk mengatasi gap dalam teknologi deteksi objek yang ada dengan meningkatkan efisiensi dan akurasi pemantauan ruang publik melalui penghitungan otomatis jumlah pengunjung. Studi kasus dilakukan di STMIK Multicom menggunakan dataset Common Objects in Context dan video yang diambil menggunakan ponsel di lingkungan kampus untuk evaluasi kinerja sistem. YOLOv8 memungkinkan deteksi objek secara real-time dengan akurasi tinggi, menjadikan tugas yang sebelumnya bergantung pada upaya manual lebih efisien dan akurat. Hasil evaluasi menunjukkan tingkat akurasi sebesar 85%, yang menandakan kemampuan sistem dalam mendeteksi dan menghitung objek manusia secara efektif, meskipun masih menghadapi tantangan pada skenario dengan jarak dekat atau objek yang besar. Penelitian ini berkontribusi pada kemajuan sistem otomatis untuk deteksi dan penghitungan objek, mengisi kekurangan dalam teknologi yang ada, dan menawarkan solusi efektif untuk pengelolaan dan pemantauan destinasi pengunjung.
Analisis Data Kelulusan Untuk Memprediksi Mahasiswa Berpotensi Dropout Menggunakan Algoritma C4.5 Tuntun, Ritham; Rahmat, Oktaviar; Mihuandayani; Michel Farrel Tomatala
Buffer Informatika Vol. 11 No. 1 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pendidikan tinggi berperan penting dalam mencetak sumber daya manusia yang siap bersaing di dunia kerja. Namun, tingginya angka mahasiswa yang mengalami putus kuliah menjadi tantangan besar bagi perguruan tinggi, termasuk STMIK Multicom, yang dapat mempengaruhi reputasi dan akreditasi institusi. Penelitian ini bertujuan untuk menganalisis data kelulusan mahasiswa STMIK Multicom dari tahun 2019 hingga 2023 menggunakan algoritma pohon keputusan C4.5 untuk memprediksi potensi mahasiswa yang berisiko dropout. Algoritma C4.5, yang merupakan teknik data mining, memungkinkan pembentukan model prediksi yang mudah dipahami dengan menganalisis berbagai atribut mahasiswa, seperti status pekerjaan, pendapatan orang tua, status tempat tinggal, dan jarak tempat tinggal ke kampus. Hasil analisis menunjukkan bahwa model C4.5 menghasilkan akurasi 63%, recall 38%, dan presisi 62%, yang mengindikasikan potensi algoritma ini dalam memprediksi mahasiswa yang berisiko dropout. Penelitian ini diharapkan dapat memberikan kontribusi dalam menurunkan angka dropout di STMIK Multicom dan meningkatkan tingkat kelulusan mahasiswa.
Sistem Deteksi Pelanggaran Lalu Lintas Pengendara Tanpa Helm Menggunakan Metode Deep Learning Algoritma Yolo Arva Rahmawati Achmad; Agus Ramdhani; Ade Rizki muttakin
Buffer Informatika Vol. 11 No. 1 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pelanggaran Lalu Lintas adalah masalah serius yang dihadapi oleh banyak kota besar di Indonesia, yang berkontribusi terhadap tingginya angka kecelakaan. Dalam rangka mengatasi masalah ini, pemerintah telah mengeluarkan berbagai UU dan peraturan telah diterapkan guna meningkatkan keselamatan di jalan raya dan menegakkan disiplin berlalu lintas. Salah satu UU utama yang mengatur tentang pelanggaran lalu lintas adalah UU No. 22 Tahun 2009 tentang Lalu Lintas dan Angkutan Jalan, yang memuat ketentuan-ketentuan mengenai pelanggaran lalu lintas dan sanksi yang dikenakan. Meskipun demikian, penerapan hukum secara manual oleh petugas di lapangan sering kali tidak cukup efektif dalam mendeteksi dan menindak pelanggaran secara cepat dan akurat. Oleh karena itu, penelitian ini bertujuan untuk mengimplementasikan sistem pendeteksi pelanggaran lalu lintas berbasis teknologi Deep Learning Dengan metode object detection dari Yolo yang dapat bekerja secara otomatis dalam sistem ATCS (Area Traffic Control System) Dinas Perhubungan Kabupaten Ciamis. Dengan adanya sistem ini, para pelanggar lalu lintas akan jera dan lebih sadar untuk tertib berlalu lintas, karena mereka mengetahui bahwa pelanggaran mereka dapat terdeteksi secara otomatis dan mendapatkan sanksi sesuai dengan peraturan yang berlaku.
Implementasi Convolutional Neural Network (CNN) untuk Sistem Presensi Mahasiswa Berbasis Pengenalan Wajah Yusuf, Fahmi; Iwan Lesmana; Hegar Paningkat Bagja
Buffer Informatika Vol. 11 No. 1 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Sistem presensi sangat banyak digunakan di sekolah-sekolah, universitas-universitas maupun perusahaan-perusahaan. Kehadiran atau presensi sangat penting dalam proses pembelajaran dan proses akademik di Fakultas Ilmu Komputer Universitas Kuningan. Sistem Presensi yang digunakan Fakultas Ilmu Komputer Universitas Kuningan masih menggunakan metode konvensional yaitu melalui lembar atau sheet dalam bentuk hard copy yang kemudian di tanda tangani dan dikumpulkan kembali setelah ditanda tangani. Permasalahan dan kekurangan dari sistem absensi melalui metode konvensioanal seperti membutuhkan waktu yang cukup lama dalam merekap data presensi mahasiswa ke sistem akademik, adanya manipulasi tanda-tangan yang dilakukan mahasiswa dan lainnya. Hal itu membuat teknologi face recognition dapat diterapkan untuk masalah tersebut. Convolutional Neural Network (CNN) merupakan pengembangan dari metode Multi-layer Perceptron (MLP) yang didesain untuk proses pengolahan data dua dimensi. Dengan model pengembangan yaitu prototype, yang dapat digunakan untuk memperjelas spesifikasi kebutuhan user berkomunikasi dan memberikan informasi yang terdiri dari mendengarkan pelanggan atau analisa kebutuhan, membuat rancangan (mockup) dan pengujian rancangan. Hasil dari identifikasi dari citra wajah menghasilkan output berupa deskripsi fitur yang merepresentasikan karakteristik dari wajah yang teridentifikasi, kemudian deskripsi fitur wajah tersebut dibandingkan dengan deskripsi fitur wajah dari database untuk pencocokan. Dimana hasil akurasi dan validasi model dengan pengujian K-Fold sebesar 92%.

Page 3 of 3 | Total Record : 28

 1   2   3 

Filter by Year

2024 2025


Reset
Filter By Issues
All Issue Vol. 11 No. 2 (2025): Buffer Informatika Vol. 11 No. 1 (2025): Buffer Informatika Vol. 10 No. 2 (2024): Buffer Informatika Volume 2 Oktober 2024 Vol. 10 No. 1 (2024): Buffer Informatika