https://ejurnal.ibisa.ac.id/index.php/ji Lembaga Riset Pengabdian Masyarakat dan Publikasi Ilmiah Institut Teknologi Bisnis dan Kesehatan Bhakti Putra Bangsa Indonesia id-ID SCIENCE INFORMATICS JOURNAL https://ejurnal.ibisa.ac.id/index.php/ji/article/view/440 <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> Tri Setya Darmawan Ummu Wachidatul Latifah Yuning Tyas A’aliyah Sari Hak Cipta (c) 2025 SCIENCE INFORMATICS JOURNAL 2024-06-01 2024-06-01 1 01 https://ejurnal.ibisa.ac.id/index.php/ji/article/view/439 <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> Irwan Siswanto Ummu Wachidatul Latifah Rafael Briant Wicaksono Hak Cipta (c) 2025 SCIENCE INFORMATICS JOURNAL 2024-06-01 2024-06-01 1 01 1 22