https://ejurnal.ibisa.ac.id/index.php/ji/issue/feed 2025-08-05T12:09:11+08:00 Marsita Satriandhini, S.E., M.M. ejournal.komunikasikesehatan@gmail.com Open Journal Systems https://ejurnal.ibisa.ac.id/index.php/ji/article/view/440 2025-08-05T12:09:11+08:00 Tri Setya Darmawan ts.darmawan@ibisa.ac.id Ummu Wachidatul Latifah ummu.wl@ibisa.ac.id Yuning Tyas A’aliyah Sari yuning@ibisa.ac.id

<p>Prediksi merupakan suatu hal yang penting untuk mengetahui suatu langkah yang dapat<br>dilakukan di masa yang akan datang. Prediksi deret waktu yang sering digunakan, yaitu<br>Fuzzy Time Series. Model Fuzzy Time Series dapat digunakan untuk meramalkan satu<br>faktor, sedangkan prediksi yang dipengaruhi oleh beberapa faktor dapat menggunakan<br>Multivariate Fuzzy Time Series. Prediksi dengan banyak faktor dapat mempengaruhi beban<br>komputasi dan hasil akurasi prediksi yang diperoleh. Tujuan penelitian ini, yaitu<br>membandingkan algoritma K-Means Clustering dan Fuzzy C-Means. Hasil perbandingan<br>algoritma clustering dimodelkan dengan Multivariate Fuzzy Time Series. Hasil penelitian<br>menunjukan bahwa berdasarkan evaluasi hasil cluster menunjukan bahwa algoritma Fuzzy<br>C-Means lebih baik dari algoritma K-Means. Berdasarkan nilai akurasi model Multivariate<br>Fuzzy Time Series tergolong sangat akurat. Nilai MAPE dan RMSE yang diperoleh sebesar<br>0.4797% dan0.84666.</p>

2024-06-01T00:00:00+08:00 Hak Cipta (c) 2025 SCIENCE INFORMATICS JOURNAL https://ejurnal.ibisa.ac.id/index.php/ji/article/view/439 2025-08-05T11:59:31+08:00 Irwan Siswanto itbbisa.purworejo@gmail.com Ummu Wachidatul Latifah ummu.wl@ibisa.ac.id Rafael Briant Wicaksono rafael.bw@ibisa.ac.id

<p>Serangan siber merupakan ancaman yang signifikan bagi keamanan jaringan komputer.<br>Oleh karena itu, penelitian ini bertujuan untuk memfokuskan pada pengembangan model<br>deteksi serangan siber menggunakan metode Random Forest berdasarkan dataset serangan<br>siber yang relevan. Dengan mengintegrasikan teknologi machine learning dan analisis<br>dataset yang cermat, penelitian ini memberikan kontribusi signifikan untuk meningkatkan<br>keamanan siber. Evaluasi model menunjukkan akurasi sebesar 66.13%, dengan tantangan<br>terutama dalam mengenali serangan (kelas 1). Meskipun demikian, model berhasil<br>memprediksi dengan baik pada data baru, menunjukkan potensi untuk deteksi proaktif.<br>Hasil deteksi dibuktikan dengan distribusi probabilitas model terhadap kelas yang<br>diprediksi. Keseluruhan, penelitian ini membuktikan efektivitas Random Forest dalam<br>mendeteksi serangan siber, memberikan landasan untuk peningkatan lebih lanjut</p>

2024-06-01T00:00:00+08:00 Hak Cipta (c) 2025 SCIENCE INFORMATICS JOURNAL