Akbar Pandu Segara
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Research Interests
Akbar Pandu Segara has a total of 8 co-authors. Here are the top co-authors by number of shared publications:
- Achmad Maududie
Department of Information System, University of Jember, Jember 68121, Indonesia
1 shared publication - Dwiretno Istiyadi Swasono
University of Jember
1 shared publication - Erik Yohan Kartiko
Universitas Jember
1 shared publication - M. Habibullah Arief
Universitas Jember
1 shared publication - Muhammad Andryan Wahyu Saputra
Universitas Jember
1 shared publication - Narandha Arya Ranggianto
Universitas Jember
1 shared publication
Latest Publications
- Open Access
- 1 June 2025
- Published by Universitas Muhammadiyah Bengkulu in JSAI (Journal Scientific and Applied Informatics)
- Vol. 8 (2) , 427-436
Perbandingan Performa Algoritma Random Tree, K-NN, dan A-NN untuk Deteksi Serangan DDoS pada Software Defined Network (SDN)
Software Defined Network (SDN) dengan arsitektur terpusat memiliki kerentanan terhadap serangan Distributed Denial of Service (DDoS) yang dapat menyebabkan kegagalan layanan jaringan secara menyeluruh. Penelitian ini bertujuan untuk membandingkan performa tiga algoritma Machine Learning yaitu K-Nearest Neighbor (K-NN), Artificial Neural Network (ANN), dan Random Tree dalam mendeteksi serangan DDoS pada lingkungan SDN. Dataset DDoS-SDN yang terdiri dari 104.345 baris dan 23 kolom digunakan dengan pembagian data 70% untuk pelatihan dan 30% untuk pengujian. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, dan AUC-ROC. Hasil penelitian menunjukkan bahwa A-NN memperoleh performa terbaik dengan akurasi 96,85%, presisi 94,35%, recall 97,79%, F1-score 96,04%, dan AUC 0,994, diikuti oleh K-NN dengan akurasi 88,89% dan Random Tree dengan akurasi terendah 86,49%. Keunggulan A-NN disebabkan oleh kemampuannya menangkap pola non-linear kompleks, melakukan ekstraksi fitur otomatis, dan beradaptasi terhadap heterogenitas data dari 22 fitur yang digunakan. Temuan ini menunjukkan bahwa A-NN merupakan pilihan optimal untuk implementasi sistem deteksi serangan DDoS real-time dalam lingkungan SDN, memberikan dasar yang kuat untuk pengembangan sistem keamanan jaringan berbasis pembelajaran mesin yang cerdas dan adaptif.
- 1 June 2025
- Published by Universitas Muhammadiyah Bengkulu in JSAI (Journal Scientific and Applied Informatics)
- Vol. 8 (2) , 427-436
Open AccessPerbandingan Performa Algoritma Random Tree, K-NN, dan A-NN untuk Deteksi Serangan DDoS pada Software Defined Network (SDN)
Software Defined Network (SDN) dengan arsitektur terpusat memiliki kerentanan terhadap serangan Distributed Denial of Service (DDoS) yang dapat menyebabkan kegagalan layanan jaringan secara menyeluruh. Penelitian ini bertujuan untuk membandingkan performa tiga algoritma Machine Learning yaitu K-Nearest Neighbor (K-NN), Artificial Neural Network (ANN), dan Random Tree dalam mendeteksi serangan DDoS pada lingkungan SDN. Dataset DDoS-SDN yang terdiri dari 104.345 baris dan 23 kolom digunakan dengan pembagian data 70% untuk pelatihan dan 30% untuk pengujian. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, dan AUC-ROC. Hasil penelitian menunjukkan bahwa A-NN memperoleh performa terbaik dengan akurasi 96,85%, presisi 94,35%, recall 97,79%, F1-score 96,04%, dan AUC 0,994, diikuti oleh K-NN dengan akurasi 88,89% dan Random Tree dengan akurasi terendah 86,49%. Keunggulan A-NN disebabkan oleh kemampuannya menangkap pola non-linear kompleks, melakukan ekstraksi fitur otomatis, dan beradaptasi terhadap heterogenitas data dari 22 fitur yang digunakan. Temuan ini menunjukkan bahwa A-NN merupakan pilihan optimal untuk implementasi sistem deteksi serangan DDoS real-time dalam lingkungan SDN, memberikan dasar yang kuat untuk pengembangan sistem keamanan jaringan berbasis pembelajaran mesin yang cerdas dan adaptif.
- Open Access
- 1 July 2024
- Published by Civiliza Publishing in Abdimas Indonesian Journal
- Vol. 4 (2) , 767-778
Pelatihan Teknologi Drone untuk Pemetaan Pertanian Berkelanjutan Kelompok Tani Kemiri Santoso Desa Kalibaru Manis
This community service program aims to overcome the low efficiency of agricultural land management in Kalibaru Manis Village, Banyuwangi, by focusing on increasing farmers' knowledge in utilizing drone technology for mapping. This training provides theory and practice of drone operation and processing aerial image data using Geographic Information System (GIS) software. The implementation method includes preparation, training, and evaluation stages. Participants were trained to operate drones, retrieve image data, and analyze it to produce land maps. A collaborative approach between lecturers, students, and practitioners was applied to ensure the success of the program. As a result, participants are able to use drones independently and utilize the data for more effective land management. This program increases agricultural productivity and supports environmental sustainability through the application of modern technology.
- 1 July 2024
- Published by Civiliza Publishing in Abdimas Indonesian Journal
- Vol. 4 (2) , 767-778
Open AccessPelatihan Teknologi Drone untuk Pemetaan Pertanian Berkelanjutan Kelompok Tani Kemiri Santoso Desa Kalibaru Manis
This community service program aims to overcome the low efficiency of agricultural land management in Kalibaru Manis Village, Banyuwangi, by focusing on increasing farmers' knowledge in utilizing drone technology for mapping. This training provides theory and practice of drone operation and processing aerial image data using Geographic Information System (GIS) software. The implementation method includes preparation, training, and evaluation stages. Participants were trained to operate drones, retrieve image data, and analyze it to produce land maps. A collaborative approach between lecturers, students, and practitioners was applied to ensure the success of the program. As a result, participants are able to use drones independently and utilize the data for more effective land management. This program increases agricultural productivity and supports environmental sustainability through the application of modern technology.