Publication Search

Website security is an important aspect of designing a website and managing web systems. However, many developers still pay little attention to security aspects from the early stages of development. In fact, the website that has been built will be the target of attacks by hackers at any time. Therefore, this research aims to analyze the vulnerability of the SMAN 1 Banjar Agung website based on the OWASP Top 10 standard. The research method was conducted through vulnerability assessment using OWASP ZAP tools with the stages of spidering, passive scanning, and active scanning. This test allows identification of vulnerabilities such as SQL Injection, Cross-Site Scripting (XSS), and security configuration weaknesses. The scan results showed eight vulnerabilities, consisting of two medium, three low, and three informational vulnerabilities. Although the risk level is low, the website still requires mitigation through the application of security headers, dependency updates, and removal of sensitive information to make the system more secure and stable.

Behind the success of the Free Nutritious Meal Program (MBG), there are several problems related to the health factors of the program targets, namely, there are several cases of allergies that occur in schools, inadequate understanding of allergen management owned by food processing vendors, and the high cost of laboratory tests and the process that takes a long time. So, to overcome these problems, an application is proposed that can help detect allergens in food products using data mining and machine learning approaches. SVM and AdaBoost algorithms each have advantages that can be used to help build an optimal allergen detection model. This research uses a cross-validation model validation method with a value of K = 10 to help improve the performance of the model built. In this study, from the entire fold, an average accuracy value of 98.74% was obtained. To evaluate the model built, this research has also conducted several new data inputs, and in each new data input, the accuracy value is obtained above 99%. This indicates that the model built, namely the combination of SVM and AdaBoost algorithms with the cross-validation model validation method, produces high accuracy, so this model can greatly assist the allergen detection process in food products.

The rapid development of information technology in today's digital era has significantly impacted organizational performance, particularly in data management and resource planning. One organization that heavily relies on accurate data availability is the Indonesian Red Cross (PMI), especially its Blood Donor Unit (UDD). UDD PMI of Asahan Regency faces challenges in determining monthly blood donor targets to maintain stable blood stock. A shortage of blood supply can be fatal for patients requiring transfusions. Therefore, a system is needed to forecast the number of blood donors, allowing for more accurate decision-making. This study utilizes the Weighted Moving Average (WMA) method to predict the number of blood donors for the following month based on historical data from March 2024 to March 2025. The WMA method is chosen for its ability to assign greater weight to recent data, making the forecast more relevant and accurate. The results of this research are expected to assist UDD PMI Asahan Regency in anticipating blood needs and maintaining optimal stock availability.

Since 2022, the application of the Internet of Things (IoT) in the healthcare sector has grown significantly, marked by the increasing adoption of wearable technology, artificial intelligence (AI), machine learning (ML), and blockchain integration. Research highlights India and China as leading contributors in this domain. IoT enables real-time monitoring of chronic diseases, tracking of patient vital signs, and detection of health protocol compliance. Integrated systems such as Monit4Healthy and RADAR-IoT support personalized medical recommendations and cross-platform interoperability. However, key challenges persist, including patient data privacy and security, system interoperability issues, data fragmentation, and barriers to user acceptance due to cost, digital literacy, and device comfort. Proposed solutions include blockchain for secure data sharing, adaptive congestion control for network performance, and user training to improve technology adoption. Therefore, successful IoT deployment in healthcare requires a comprehensive approach that addresses technological, social, ethical, and sustainability aspects to achieve an effective and inclusive transformation of health services.

This study aims to analyze and compare the performance of the Naive Bayes, K-Nearest Neighbors (KNN), and Decision Tree algorithms in predicting the purchase intention of e-commerce visitors using the Online Shoppers Purchasing Intention Dataset, which consists of 12,330 records and 18 variables, with the Revenue variable serving as the classification target. The preprocessing stage involved transforming categorical and boolean variables into numerical form, standardizing features using StandardScaler, and splitting the dataset into 80 percent training data and 20 percent testing data. Model evaluation was conducted using accuracy, precision, recall, F1-score, and ROC-AUC metrics, and was further strengthened by 10-fold cross-validation to obtain more stable results. The findings indicate that KNN achieved the highest accuracy of 0.866180, while Naive Bayes produced the highest recall value of 0.690998 and the highest ROC-AUC value of 0.821696. Meanwhile, Decision Tree demonstrated relatively balanced performance with an accuracy of 0.857259 and an F1-score of 0.571776, whereas the cross-validation results identified KNN as the model with the highest average accuracy of 0.8770. These findings suggest that the selection of a classification model for purchase intention prediction cannot rely solely on a single evaluation metric, as each algorithm possesses different strengths. Therefore, a comparative approach among algorithms can help determine the most suitable model for supporting consumer behavior analysis on e-commerce platforms.

Perkembangan teknologi layanan internet di Indonesia memengaruhi berbagai sektor industri, termasuk sektor makanan di PT Sarimelati Kencana Tbk. Perusahaan awalnya menggunakan layanan IndiHome, namun menghadapi tantangan seperti tingginya biaya dan ketidakstabilan jaringan yang berdampak pada efisiensi operasional. Sebagai alternatif, layanan Starlink hadir dengan jaringan satelit yang menjangkau wilayah luas dan mendapat respons publik yang lebih positif. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap IndiHome dan Starlink menggunakan metode Naïve Bayes yang dievaluasi melalui K-Fold Cross Validation. Data dikumpulkan dari media sosial X (sebelumnya Twitter) dengan total 14.200 tweet (7100 tweet untuk IndiHome dan 7100 untuk Starlink), yang kemudian diproses melalui tahapan preprocessing seperti cleansing, tokenizing, stopword removal, dan stemming. Hasil pengujian menunjukkan bahwa metode Naïve Bayes memberikan akurasi terbaik pada data Starlink sebesar 83,74%, sedangkan pada IndiHome sebesar 73,31%. Analisis preferensi menunjukkan bahwa sentimen positif terhadap IndiHome sebesar 34%, sedangkan Starlink mencapai 47%.Temuan ini menunjukkan bahwa Starlink lebih unggul dalam persepsi publik dibandingkan IndiHome. Oleh karena itu, hasil penelitian ini dapat menjadi dasar pertimbangan strategis bagi PT Sarimelati Kencana Tbk. dalam memilih penyedia layanan internet yang lebih stabil, efisien, dan mendukung kelancaran operasional perusahaan.

Tingkat keberhasilan deteksi penyakit jantung sangat bergantung pada akurasi model klasifikasi yang digunakan. Penelitian ini bertujuan membandingkan kinerja dua algoritma klasifikasi, yaitu K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM), dalam mendeteksi penyakit jantung menggunakan dataset berjumlah 1025 sampel dengan dua kelas target, yakni sehat dan penyakit jantung. Proses pra-pemrosesan data meliputi pembersihan dan normalisasi fitur medis seperti usia, tekanan darah, serta kadar kolesterol. Evaluasi performa model dilakukan menggunakan metode Confusion Matrix, K-Fold Cross Validation, kurva Receiver Operating Characteristic (ROC), dan kurva Precision-Recall untuk mengukur akurasi, presisi, recall, serta keseimbangan antara presisi dan recall. Hasil pengujian menunjukkan bahwa algoritma KNN unggul dalam menghasilkan akurasi tinggi yaitu 99% dengan AUC ROC sempurna 1.00 dan presisi yang hampir konsisten sepanjang recall, sementara SVM menunjukkan performa stabil dengan akurasi 91%, AUC ROC 0.97, dan AP Precision-Recall sebesar 0.96. Penelitian ini menegaskan efektivitas KNN dalam menghasilkan prediksi penyakit jantung yang sangat akurat dengan potensi risiko overfitting pada parameter k kecil, sedangkan SVM memberikan kestabilan model dengan kemampuan generalisasi yang lebih baik. Temuan ini diharapkan dapat menjadi referensi dalam pemilihan algoritma klasifikasi yang sesuai untuk mendukung diagnosis penyakit jantung secara klinis.

Kontaminasi bakteri patogen dalam produk makanan mahal bagi masyarakat dan industri. Metode tradisional untuk mendeteksi dan mengidentifikasi patogen bawaan makanan seperti Listeria monocytogenes biasanya memakan waktu 3-7 hari. Pada makalah ini, sistem klasifikasi dikembangkan untuk mengidentifikasi pengambilan citra bakteri menggunakan alat optical light scattering dan menghasilkan citra berbentuk grayscale. Algoritma klasifikasi yang diusulkan didasarkan pada Invariant Zernike Moment berbasis Support Vector Machine pada kernel Radial Chebyshev Moments yang dihitung dari dataset citra bakteri apda 4 genus yang digunakan sebagai dataset. Sebanyak 400 citra bakteri dengan 100 citra pada masing-masing jenis genus telah di uji dan menghasilkan akurasi pada proses indetifikasi dengan capaian sebesar 78,33% pada 5-fold Cross Validation.

Ubuntu merupakan salah satu varian atau distro linux yang beredar saat ini. Ubuntu merupakan distro linux yang paling banyak dikembangkan untuk menjadi distro distro turunan sepertiLinux Mint, Klikit Linux, Kubuntu dan lain-lain. Banyak distro linux yang dibuat untuk aplikasi yang umum (general Aplication), artinya distro tersebut digunakan untuk berbagai kebutuhan yang umum.Sementara distro linux yang dikhususkan untuk aplikasi game (Game Centre) sangat dibutuhkan. Kebutuhan ini dikarenakan banyak game centre yang kesulitan mencari distro yang cocok ketika operating system migrasi dari windows ke linux. Pada pembahasan ini akan dipaparkan bagaimana merancang sebuah distro linux baru yang dikhususkan untuk aplikasi game tersebut. Distro Ubuntu adalah dasar dari rancang bangun distro ini. Tujuan dari perancangan distro linux baru ini adalah supaya operating syatem linux dapat mendukung aplikasi game, baik game linux maupun game yang berjalan di sistem operasi windows. Dengan demikian pemakai dapat menggunakan sistem operasi linux tanpa khawatir palikasi game kesayangannya tidak dapat dijalankan. Dengan distro Ubuntu sebagai dasar dari distro ini, makainstalasi distro ini tidak menyulitkan pemakai. Kompabilitas dan stabilitasnya juga tidak diabaikan dalam perancangan distro ini. Distro baaru ini dinamakan “Semutireng 1.0” yang berbasis ubuntu, yang diolah dengan bantuan program remastersys distro Ubuntu. Didalam distro ini dilengkapi pula aplikasi Cedega,CrossOver dan Wine yang dignakan untuk menjalankan aplikasi game yang berbasis Windows. Hasil dari penelitian ini adalah sebuah distro linux baru berbasis Ubuntu 7.04 yang telah memiliki emulator Cedega, CrossOver dan Wine. Dengan menggunakan distro ini maka pemakai dapat menginstal dan menjalankanaplikasi game baik yang berbasis linux maupun yang berbasis Windows.

Ubuntu merupakan salah satu varian atau distro linux yang beredar saat ini. Ubuntu merupakan distro linux yang paling banyak dikembangkan untuk menjadi distro distro turunan sepertiLinux Mint, Klikit Linux, Kubuntu dan lain-lain. Banyak distro linux yang dibuat untuk aplikasi yang umum (general Aplication), artinya distro tersebut digunakan untuk berbagai kebutuhan yang umum.Sementara distro linux yang dikhususkan untuk aplikasi game (Game Centre) sangat dibutuhkan. Kebutuhan ini dikarenakan banyak game centre yang kesulitan mencari distro yang cocok ketika operating system migrasi dari windows ke linux. Pada pembahasan ini akan dipaparkan bagaimana merancang sebuah distro linux baru yang dikhususkan untuk aplikasi game tersebut. Distro Ubuntu adalah dasar dari rancang bangun distro ini. Tujuan dari perancangan distro linux baru ini adalah supaya operating syatem linux dapat mendukung aplikasi game, baik game linux maupun game yang berjalan di sistem operasi windows. Dengan demikian pemakai dapat menggunakan sistem operasi linux tanpa khawatir palikasi game kesayangannya tidak dapat dijalankan. Dengan distro Ubuntu sebagai dasar dari distro ini, makainstalasi distro ini tidak menyulitkan pemakai. Kompabilitas dan stabilitasnya juga tidak diabaikan dalam perancangan distro ini. Distro baaru ini dinamakan “Semutireng 1.0” yang berbasis ubuntu, yang diolah dengan bantuan program remastersys distro Ubuntu. Didalam distro ini dilengkapi pula aplikasi Cedega,CrossOver dan Wine yang dignakan untuk menjalankan aplikasi game yang berbasis Windows. Hasil dari penelitian ini adalah sebuah distro linux baru berbasis Ubuntu 7.04 yang telah memiliki emulator Cedega, CrossOver dan Wine. Dengan menggunakan distro ini maka pemakai dapat menginstal dan menjalankanaplikasi game baik yang berbasis linux maupun yang berbasis Windows.