Article Per Year (5 Year)
p-Index From 2020 - 2025
0.562
P-Index
This Author published in this journals
All Journal JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Journal of System and Computer Engineering
Kunaefi, Aang
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Education

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Parameter Optimization Supports Vector Machine Using Genetic Algorithms to Improve the Efficiency of Data Transfer Prediction on Google Cloud Namruddin, Respaty; Mahendra, Ricky; Kunaefi, Aang; Bakar, Ramlah Abu
Journal of System and Computer Engineering Vol 6 No 1 (2025): JSCE: January 2025
Publisher : Universitas Pancasakti

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61628/jsce.v6i1.1636

Abstract

Efisiensi transfer data merupakan elemen kunci dalam infrastruktur cloud seperti Google Cloud. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi efisiensi transfer data menggunakan Support Vector Machine (SVM) yang dioptimasi dengan Algoritma Genetika (GA). Dataset berisi informasi tentang ukuran file, latensi jaringan, utilisasi server, dan waktu transfer data. Algoritma Genetika diterapkan untuk mencari parameter optimal, yaitu nilai C dan gamma. Hasil penelitian menunjukkan bahwa optimasi parameter menggunakan GA mampu meningkatkan akurasi prediksi hingga 90%, dibandingkan metode tradisional Grid Search yang mencapai akurasi maksimal sebesar 88%.
Performance Analysis of API in Google Cloud Storage Service Integration Namruddin, Respaty; Sam, Rafiqa Mulia Indah Sari; Syamsuddin, Rajul Waahid; A, Amiruddin; Kunaefi, Aang
Journal of System and Computer Engineering Vol 6 No 1 (2025): JSCE: January 2025
Publisher : Universitas Pancasakti

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61628/jsce.v6i1.1637

Abstract

Google Cloud Storage (GCS) is one of the leading cloud storage services that supports large-scale data management through API integration. APIs allow applications to upload, download, and manage data in real-time. This study aims to analyze the performance of APIs in integration with GCS using response time, throughput, and latency parameters. Tests were conducted on various scenarios, including massive data transfer, distributed data management, and caching usage. The results showed that the average API response time reached 120 ms under normal conditions and increased to 180 ms under high load. Throughput reached an average of 400 MB/s, but decreased when the number of simultaneous requests increased. The average server latency was recorded at 60 ms and can be optimized with caching technology. Implementation of strategies such as Content Delivery Network (CDN) and request header optimization can improve performance by up to 30%. This study provides practical guidance for developers to optimally utilize GCS APIs in large-scale data management.
KLASIFIKASI BERITA HOAKS BAHASA INDONESIA MENGGUNAKAN INDOBERT FINE-TUNING DENGAN PENDEKA-TAN FOCAL LOSS PADA DATA TIDAK SEIMBANG Kunaefi, Aang; Abidin, Zainal; Kusumawati, Ririen
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 10, No 2 (2025)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v10i2.7811

Abstract

Penyebaran berita hoaks di media online menjadi isu serius di tengah meningkatnya konsumsi informasi digital di kalangan masyarakat. Klasifikasi berita hoaks berbahasa Indonesia memiliki peran penting untuk menekan penyebaran informasi palsu. Salah satu tantangan utama dalam sistem klasifikasi ini adalah ketidakseimbangan distribusi data, di mana jumlah berita non-hoaks jauh lebih banyak dibanding-kan berita hoaks. Penelitian ini mengusulkan pendekatan klasifikasi berita hoaks berbahasa Indonesia melalui teknologi Natural Lan-guange Processing (NLP) menggunakan fine-tuning model IndoBERT, yang merupakan pre-trained language model berbasis arsitektur BERT (Bidirectional Encoder Representations from Transformers) dan dis-esuaikan untuk Bahasa Indonesia. Ketidakseimbangan data diatasi menggunakan metode Focal Loss. Pendekatan focal loss dirancang untuk lebih menekankan pembelajaran pada sampel kelas minoritas yang sulit diklasifikasikan. Penelitian ini menggunakan dataset dari platform Kaggle, Huggingfase dan Mendeley. Tataset mencakup berita Bahasa Indonesia dengan jumlah data berita hoaks jauh lebih kecil dari berita faktual. Hasil evaluasi menunjukkan bahwa kombinasi In-doBERT dan Focal Loss mampu meningkatkan performa model dengan akurasi sebesar 98.3% dibandingkan dengan pendekatan Cross-Entropy Loss yang mendapat akurasi 97% Penelitian ini menun-jukkan bahwa penggabungan model berbasis bahasa alami dengan strategi penanganan data tidak seimbang dapat memberikan hasil yang lebih akurat dalam mendeteksi berita hoaks.
Co-Authors Amiruddin Amiruddin Bakar, Ramlah Abu Mahendra, Ricky Namruddin, Respaty Ririen Kusumawati Sam, Rafiqa Mulia Indah Sari Syamsuddin, Rajul Waahid Zainal Abidin