Article Per Year (5 Year)
p-Index From 2021 - 2026
16.609
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering Jurnal Ilmu Komputer dan Informasi Lontar Komputer: Jurnal Ilmiah Teknologi Informasi Jurnal Neutrino : jurnal fisika dan aplikasinya Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) PIKSEL : Penelitian Ilmu Komputer Sistem Embedded and Logic Jurnal Ilmiah Kursor Jurnal Mahasiswa Jurusan Arsitektur Jurnal Teknologi Informasi dan Ilmu Komputer Journal of Information Systems Engineering and Business Intelligence Jurnal Teknologi dan Sistem Komputer JOIV : International Journal on Informatics Visualization Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) International Journal of Artificial Intelligence Research Journal of Information Technology and Computer Science Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Jurnal Nasional Teknik Elektro dan Teknologi Informasi Journal of Management Research and Studies Lontar Komputer: Jurnal Ilmiah Teknologi Informasi
Fitra Abdurrachman Bachtiar
Fakultas Ilmu Komputer - Universitas Brawijaya
Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Library & Information Science Physics Social Sciences

Published : 236 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 236 Documents
Search

 20   21   22   23   24 
Analisis Performa Pre-Trained Model Convolutional Neural Network dalam Mendeteksi Penyakit Tuberkulosis Rochmawanti, Ovy; Utaminingrum, Fitri; Bachtiar, Fitra A.
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021844441

Abstract

Tuberkulosis (TB) merupakan salah satu penyakit berbahaya yang dapat menular lewat udara dan sering menyebabkan kematian apabila tidak cepat ditangani. Penyakit TB bisa disembuhkan dengan deteksi dini sehingga penderita dapat segera mendapatkan pengobatan yang tepat. Metode Convolutional Neural Network (CNN) digunakan untuk mendeteksi penyakit TB melalui foto rontgen dada. Penelitian ini bertujuan untuk menentukan model CNN yang mampu menghasilkan performa paling baik dalam mendeteksi penyakit TB. Pengujian dilakukan dengan menggunakan lima pre-trained model yang telah disediakan oleh Keras yaitu ResNet50, DenseNet121, MobileNet, Xception, InceptionV3, dan InceptionResNetV2. Perbedaan ukuran gambar yag digunakan pada saat pelatihan dan pengujian juga akan dianalisis pengaruhnya terhadap nilai akurasi yang dihasilkan dan waktu komputasinya. Hasil pengujian menunjukkan bahwa model DenseNet121 mampu menghasilkan nilai akurasi tertinggi dalam mendeteksi penyakit TB, yaitu 91,57%. Sedangkan model MobileNet merupakan model dengan waktu komputasi tercepat untuk semua ukuran gambar yang diuji. Semakin besar ukuran citra maka semakin tinggi nilai akurasinya, namun di sisi lain waktu komputasi juga akan semakin lama.  Abstract Tuberculosis (TB) is one of the dangerous disease that can be transmitted through the air and often causes death if not treated quickly. This illness can be cured with early detection, so that sufferers can immediately get the right treatment. The Convolutional Neural Network (CNN) method is used to detect TB disease through chest X-rays. This study aims to determine which CNN model is able to produce the best performance in detecting TB disease. Testing was carried out using five pre-trained models provided by Keras namely ResNet50, DenseNet121, MobileNet, Xception, InceptionV3, and InceptionResNetV2. The difference in image size used during training and testing will also be analyzed for its effect on the resulting accuracy value and its computation time. The test results showed that the DenseNet121 model was able to produce the highest accuracy value in detecting TB disease, namely 91.57%. Meanwhile, the MobileNet model is the model with the fastest computation time for all image sizes tested. The bigger the image size, the higher the accuracy value, but on the other hand the computation time will also be longer.
Klasifikasi Aktivitas Manusia Menggunakan Algoritme Computed Input Weight Extreme Learning Machine dengan Reduksi Dimensi Principal Component Analysis Irwanto, M. Sofyan; Bachtiar, Fitra A.; Yudistira, Novanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 6: Desember 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022965504

Abstract

Salah satu bidang penelitian yang sangat penting yaitu pengenalan aktivitas manusia secara otomatis dikarenakan potensi penerapannya di berbagai bidang lain seperti pengawasan, lingkungan cerdas, maupun kesehatan. Dari berbagai pendekatan yang pernah dilakukan untuk mengenali aktivitas manusia, teknik berbasis sensor diketahui lebih unggul daripada teknik lain seperti teknik berbasis visi komputer. Teknik berbasis sensor juga dapat dilakukan menggunakan ponsel cerdas, namun penggunaan ponsel cerdas memiliki kekurangan dalam melakukan komputasi algoritme yang kompleks. Apalagi, data hasil ekstraksi fitur dari sinyal yang ditangkap oleh sensor memiliki dimensi yang tinggi. Sehingga, diperlukan sebuah metode untuk mengurangi dimensi fitur dari data, serta melakukan klasifikasi terhadap data tersebut dengan cepat dan tepat. Salah satu metode yang dapat digunakan untuk mengurangi dimensi fitur dari sebuah data adalah Principal Component Analysis (PCA), dan salah satu metode klasifikasi yang dapat digunakan adalah Computed Input Weight Extreme Learning Machine (CIW-ELM). Oleh karena itu, penelitian ini akan menggunakan kedua metode tersebut untuk melakukan klasifikasi pada aktivitas sederhana seperti berjalan, menaiki tangga, menuruni tangga, duduk, berdiri, dan berbaring. Pada penelitian ini juga dilakukan pemilihan hyperparameter terbaik pada masing-masing metode menggunakan metode Grid Search Cross Validation. Hyperparameter terbaik yang didapatkan untuk algoritme PCA adalah dengan nilai k = 207, serta untuk algoritme CIW-ELM dengan jumlah hidden neuron = 600 dan fungsi aktivasi sigmoid. Hasil akurasi yang didapatkan pada penelitian ini adalah 0,957 dan rata-rata f-measure sebesar 0,958 dengan waktu pelatihan selama 0,57 detik. Abstract One of the most important research area is automatic human activity recognition due to its potential application in various other fields such as surveillance, smart environment, and healthcare. Based on various approaches that have been used to recognize human activity, sensor-based techniques are known to be superior to other techniques such as computer vision-based techniques. Sensor-based technique can also be performed using smartphones, but smartphone has disadvantages in performing complex alghorithmic computation. Moreover, feature extraction of the data from the signal captured by the sensor has high dimensions. So, we need a methods to reduce the feature dimensions of the data, and classify the data quickly and accurately. One of the method that can be used to reduce the feature dimensions of data is Principal Component Analysis (PCA), and one of the classification methods that can be used is Computed Input Weight Extreme Learning Machine (CIW-ELM). Therefore, this study will use both methods to classify simple activities such as walking, walking upstairs, walking downstairs, sitting, standing, and laying. In this study, the selection of the best hypeparameter for each method was also carried out using Grid Search Cross Validation. The best hyperparameter obtained for the PCA algorithm is with a value of k = 207, and for the CIW-ELM algorithm with the number of hidden neurons = 600 and the sigmoid activation function. The accuracy results obtained in this study were 0,957 and the f-measure average were 0,958 with a training time of 0,57 seconds.
Pengenalan Aktivitas Manusia Menggunakan Sensor Akselerometer dan Giroskop pada Smatphone dengan Metode K-Nearest Neighbor Arifien, Zainal; Bachtiar, Fitra Abdurrahman; Yudistira, Novanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 1: Februari 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022915593

Abstract

Pengenalan aktivitas manusia atau Human Activity Recognition (HAR) merupakan salah satu topik yang populer karena besarnya peluang untuk diterapkan di kehidupan sehari-hari. Tujuan dari pengenalan ini adalah untuk mengenali, mendeteksi, dan mengklasifikasikan aktivitas yang dilakukan manusia. Pengenalan aktivitas manusia adalah salah satu teknologi penting untuk memantau dinamisme seseorang sehingga dapat bermanfaat di berbagai hal. Selain untuk menjaga kesehatan, pencegahan penyakit, dan membantu menentukan jenis olah raga, HAR dapat dimanfaatkan juga untuk diterapkan pada bidang keamanan dan pengembangan teknologi. Penelitian ini menggunakan smartphone sebagai teknologi utama dalam memperoleh data dengan memanfaatkan sensor akselerometer dan giroskop yang telah tertanam di dalamnya. Terdapat 8 macam aktivitas yang diteliti dengan kombinasi lama waktu eksperimen 5, 10, dan 15 detik serta posisi smartphone dipegang bebas maupun di dalam saku celana kanan. Data yang diperoleh terdiri dari 3 sumbu (x, y, dan z) pada setiap sensor yang digunakan. Data tersebut kemudian melalui proses pengolahan dan klasifikasi menggunakan algoritme k-Nearest Neighbor (k-NN). Hasil akurasi yang didapat dalam penelitian ini mencapai 79,56%. Hasil yang diperoleh melalui penelitian ini menunjukkan bahwa perbedaan peletakan smartphone mempengaruhi hasil pengenalan aktivitas manusia secara stabil. Selain itu, perbedaan jumlah data akibat perbedaan lamanya waktu eksperimen dapat mengakibatkan perbedaan lamanya waktu komputasi. Penelitian ini menjadi penting karena hasilnya dapat menjadi batu loncatan bagi penelitian selanjutnya. Beberapa peluang pengembangan juga dilampirkan pada bagian akhir. AbstractHuman activity recognition (HAR) is one of the most popular topics because of the large opportunities for its application in life. The purpose of HAR is to recognize, detect and classify human activities. Human activity recognition is one of the important technologies for monitoring a person's dynamism so that it can be utilized in various ways. Apart from maintaining health, preventing disease, and helping determine the type of exercise, HAR can also be used to be applied in the field of security and technological developments. This study uses smartphones as the main technology in obtaining data by utilizing the built-in accelerometer and gyroscope sensors. There are 8 types of activities studied with a combination of 5, 10, and 15 seconds of experimental time and the position of the smartphone is carried freely or in the right trouser pocket. The data obtained consists of 3 axes (x, y, and z) on each sensor used. The data then processed and classified using the k-Nearest Neighbor (k-NN) algorithm. The accuracy results obtained in this study reaches 79.56%. The results obtained through this study indicate that differences in smartphone placement affect the results of human activity recognition stably. In addition, differences in the amount of data due to differences in the length of the experiment period can result in differences in the length of computation time. This research is important because the results can be used as material for further research assistance. Some development opportunities are also attached at the end. 
Desain Media Pembelajaran dengan Model Problem-based Learning dan Gamitifikasi untuk Materi Bangun Ruang Tingkat SMK Berbasis Virtual Rality Sinana, Admi Rut; Tolle, Herman; Bachtiar, Fitra Abdurrachman
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 2: April 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022925627

Abstract

Materi pembelajaran Bangun Ruang Matematika adalah salah satu materi dan pelajaran yang masuk ke dalam ujian Asesmen Kompetensi Minimum (AKM) pengganti Ujian Nasional (UN) pada Sekolah Menengah Kejuruan (SMK). Namun, Pelajaran Matematika menjadi salah satu pelajaran yang menjadi momok bagi kebanyakan siswa. Sehingga menjadikan siswa tertarik untuk mempelajari hal ini adalah suatu tantangan. Penelitian ini bertujuan untuk menggambarkan, menjelaskan dan menganalisis proses desain media pembelajaran dengan menggunakan pendekatan Human-Centered Design (HCD) yang digunakan dalam membangun aplikasi VR dengan menggunakan model PBL dan gamifikasi pada suatu Media Pembelajaran khususnya Bangun Ruang Matematika.Dalam penelitian ini terdapat salah satu model yang dapat diterapkan yaitu Problem-Based Learning. Problem-Based Learning merupakan model pembelajaran penyelesaian masalah, pembelajaran ini menjadikan masalah (problem) sebagai isu utamanya. Selain itu dalam penelitian ini juga digunakan model Gamifikasi (Gamification) yang merupakan pemanfaatan elemen-elemen di dalam game atau video game dengan tujuan menggugah, memotivasi para siswa dalam proses pembelajaran sehingga membantu membangun keterikatan (engagement) terhadap proses pembelajaran.  Luaran yang dihasilkan dari penelitian ini adalah berupa desain model Problem Based Learning dan Gamifikasi dalam media pembelajaran materi Bangun Ruang tingkat SMK berbasis Virtual Reality yang bertujuan memotivasi siswa dalam pembelajaran sehingga membantu proses belajar mengajar Bangun Ruang. Dengan hasil uji rancangan media pembelajaran yang divalidasi oleh ahli materi memiliki persentase kelayakan 98% dan ahli media dengan persentase 89% dapat dikategorikan sangat layak untuk setuju bahwa rancangan ini dapat digunakan untuk pengembangan dan implementasi selanjutnya. AbstractGeometry Subjects is one of the materials and subjects that are included in the Asesmen Kompetensi Minimum (AKM) which replaces the Ujian Nasional (UN) at Vocational High Schools (SMK). However, Mathematics is one of the subjects that is a scourge for most students. So making students interested in learning this is a challenge.  This study aims to describe, explain and analyze the design process of learning media using the Human-Centered Design (HCD) approach which is used in building VR applications using PBL and gamification models on a Learning Media, especially Geometry Subjects.In this study, there is one model that can be applied, namely Problem-Based Learning. Problem-Based Learning is a problem solving learning model, this learning makes the problem the main issue. In addition, this study also uses a gamification model which is the use of elements in games or video games with the aim of inspiring and motivating students in the learning process so as to help build engagement with the learning process. The output produced from this research is design of educational media using the Problem-Based Learning and Gamification for geometry subjects on Vocational High School - based Virtual Reality which aims to motivate students in learning so as to help the learning process of geometry subjects. With the results of the learning media design test which was validated by material experts, it had a feasibility percentage of 98% and media experts with a percentage of 89% could be categorized as very feasible to agree that this design could be used for further development and implementation.
Analisis Model Mental Mahasiswa dalam Pengembangan E-Learning Pemrograman Berbasis Gamifikasi Menggunakan Metode Agile UX Rokhmawati, Retno Indah; Bachtiar, Fitra Abdurrachman; Pradana, Fajar; Alfian, Kharis
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 2: April 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022925642

Abstract

 Tujuan penelitian ini adalah menghasilkan model mental mahasiswa tentang bagaimana perilaku mereka belajar materi pemrograman. Model mental ini kemudian diterapkan dalam perbaikan desain e-learning CodeManiac. CodeManiac sebelumnya telah dikembangkan di Fakultas Ilmu Komputer Universitas Brawijaya (FILKOM UB) untuk mendukung matakuliah pemrograman di tingkat perguruan tinggi. Penelitian ini diawali dengan mengujicobakan CodeManiac versi awal kepada 15 mahasiswa FILKOM UB yang telah diseleksi untuk merepresentasikan karakteristik lima program studi S1 di FILKOM UB. Pertimbangan yang digunakan dalam memilih 15 mahasiswa tersebut didasarkan pada penelitian sebelumnya yang membahas model mental mahasiwa dibagi menjadi 3 persona (berdasarkan model mental penelitian sebelumnya) dalam bentuk level, antara lain: level dasar (elementary), level sedang (intermediate), dan level lanjutan (advanced). Penelitian ini lebih menajamkan pada susunan menu/fitur yang diperlukan agar kebutuhan belajar ketiga level tersebut terakomodasi dalam satu platform, yaitu CodeManiac. Oleh karena penelitian ini telah didasari penelitian eksperimen sebelumnya dan berfokus pada perbaikan desain solusi, maka Agile UX sesuai diterapkan pada penelitian ini. Hasil penelitian ini adalah menerapkan model mental ke dalam desain baru CodeManiac, yang selanjutnya divalidasi kembali kepada 15 mahasiswa yang telah terlibat pada pengujian awal. Penelitian ini menemukan kebutuhan baru terkait Sign Up dan Login, Course, Achievements, Exercises, Challenge, dan permasalahan umum (navigasi dan layout). Berdasarkan pengujian desain perbaikan, 15 mahasiswa memberikan umpan balik yang menunjukkan peningkatan kualitas sebagai berikut: peningkatan sebesar 24,1% pada aspek learnability, peningkatan sebesar 20,5% pada aspek intuitive efficiency, peningkatan sebesar 42% pada aspek ease of use, dan peningkatan sebesar 56% pada aspek interactivity. AbstractThe purpose of this research is to analyze students' mental models of how their behavior learns programming material. This mental model is then applied to improve the e-learning CodeManiac design. CodeManiac has previously been developed at the Faculty of Computer Science Universitas Brawijaya (FILKOM UB) to support programming courses at the university level. This research begins by testing the initial version of CodeManiac to 15 students of FILKOM UB who have been selected to represent the characteristics of five undergraduate study programs at FILKOM UB. The considerations used in selecting the 15 students were based on previous research that discussed the mental model of students divided into 3 personas (based on previous research) in the form of levels, including elementary level, intermediate level, and advanced level. This research is more focused on the arrangement of the menus/features needed so that the learning needs of the three levels are accommodated in one platform, namely CodeManiac. Because this research has been based on previous experimental research and focuses on improving solution design, Agile UX is appropriate to be applied to this research. The result of this research is to apply the mental model into the new CodeManiac design, which is then validated again to 15 students who have been involved in the initial test. This research finds new needs related to Sign Up and Log in, Courses, Achievements, Exercises, Challenges, and common problems (navigation and layout). Based on the improvement design test, 15 students gave feedback indicating the quality improvement as follows: 24.1% improvement in learnability aspect, 20.5% improvement in intuitive efficiency aspect, 42% improvement in ease-of-use aspect, and 56% improvement on the aspect of the interactivity. 
Pengaruh Word Affect Intensities Terhadap Deteksi Ulasan Palsu Istanto, Raga Saputra Heri; Bachtiar, Fitra Abdurrachman; Ridok, Achmad
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 2: April 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022925652

Abstract

Transaksi jual beli elektronik melalui internet terus berkembang dan menjadi populer, begitu pula dengan jumlah ulasan dari pelanggan yang meningkat pesat. Dengan banyaknya pemberi ulasan, terdapat kemungkinan seseorang menulis ulasan palsu yang disebut fake review untuk mempromosikan produk atau menjatuhkan produk kompetitor. Sangat penting untuk dapat mendeteksi ulasan palsu sehingga ulasan yang digunakan pelanggan sebagai pertimbangan untuk memilih produk atau jasa merupakan ulasan yang andal. Studi sebelumnya hanya menggunakan fitur sentimen yang terbatas pada objektivitas dan polaritas untuk melakukan deteksi ulasan palsu. Sedangkan studi yang lebih baru menunjukan adanya leksikon kosa kata berbasis emosi yang diberi nama word affect intensities yang terbukti mampu mengukur sentimen dengan lebih baik pada kalimat. Penelitian ini bermaksud untuk mengetahui apakah word affect intensities dapat menjadi faktor yang mempengaruhi hasil deteksi ulasan palsu. Penelitian dilakukan dengan memunculkan dua fitur baru berlandaskan word affect intensities berupa fitur kelompok emosi positif dan fitur kelompok emosi negatif. Fitur tersebut kemudian dikombinasikan dengan fitur pada penelitian sebelumnya dan dievaluasi menggunakan beberapa algoritme klasifikasi. Hasil penelitian menunjukan word affect intensities dapat menjadi faktor yang mempengaruh peningkatan akurasi deteksi ulasan palsu sebesar 2.1%. Abstract Electronic buying and selling transactions over the internet continue to grow and become popular, as well as the number of reviews from customers that is increasing rapidly. With so many reviewers, it is possible that someone wrote a fake review to promote a product or demote a competitor’s product. It is very important to be able to detect fake review so that the reviews customers use as a consideration for choosing a product or service are reliable reviews. Previous studies only used sentiment features that were limited to objectivity and polarity to detect fake review. Meanwhile, a more recent study shows that there is an emotion-based vocabulary lexicon called word affect intensities which are proven to be able to better measure sentiment in sentences. This study intends to determine whether word affect intensities can be a factor that affects the results of fake review detection. The research was conducted by bringing up two new features based on the word affect intensities in the form of positive emotion group features and negative emotion group features. These features are then combined with features in previous studies and evaluated using several classification algorithms. The results showed that word affect intensities can be a factor that affects the increased accuracy of fake review detection by 2.1%.
Klasifikasi Pola Pergerakan Bola Mata Menggunakan Metode Multilayer Backpropagation Amadea, Karina; Bachtiar, Fitra A.; Pangestu, Gusti
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 2: April 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022925668

Abstract

Salah satu organ terpenting yang ada pada tubuh manusia yaitu indera penglihatan. Manusia dapat memperoleh informasi sebanyak 80% hanya dengan melihat. Pada bagian mata, terutama iris, terdapat wilayah-wilayah yang merepresentasikan tiap bagian dari tubuh. Dengan adanya jaringan syaraf yang ada pada iris, dapat diketahui respons terhadap semua perubahan yang ada di dalam tubuh termasuk perubahan semangat hidup hingga karakter atau sifat seseorang. Pada penelitian ini dibuat sebuah sistem untuk mengenali pola pergerakan mata. Salah satu caranya yaitu melalui pendeteksian pupil. Data citra yang digunakan pada penelitian ini berjumlah 65 citra wajah berukuran 1280 x 720 pixel yang akan diklasifikasikan menjadi 5 label yaitu, mata menghadap atas, bawah, depan, kanan, dan kiri. Data citra akan disegmentasi menggunakan framework Deep-VOG untuk kemudian didapatkan 107 hasil dari ekstraksi fitur pupil menggunakan metode Sector Line Distance. Dari hasil ekstraksi tersebut, selanjutnya akan diklasifikasikan menggunakan metode Backpropagation. Arsitektur Backpropagation yang digunakan yaitu menggunakan 1 hidden layer dengan 11 neuron pada hidden layer. Sedangkan untuk parameter-parameter yang digunakan yaitu learning rate sebesar 0,7 dan iterasi sebanyak 100 iterasi. Hasil dari klasifikasi pola pergerakan mata memperoleh tingkat akurasi sebesar 88,24% pada saat pelatihan dan 80,95% pada saat pengujian. Abstract Eye is one of the most important organs in the human body. By using the eye, humans can get as much as 80% of information just by looking. There are several regions that represent each part of the body in the iris of the eye. The presence of a neural network in the iris, helps humans to be able to find out the response to all changes in the body including changes in the spirit of life, character or even a person's nature. In this study, a system to recognize eye movement patterns will be created through pupil detection. A total of 65 facial image data used in this study measuring 1280 x 720 pixels which will be classified into 5 labels, those are eyes facing up, down, front, right, and left. The facial image will be segmented using the Deep-VOG framework and the pupil features will be extracted using the Sector Line Distance method. The results of the 107 pupil extraction data will be classified using the Backpropagation method and obtain an accuracy level of 88,24% in training and 80.95% in testing using 1 hidden layer with 11 hidden neurons, 0,7 of a learning rate, and 100 of the number of iterations.
Klasifikasi Ulasan Palsu Menggunakan Borderline Over Sampling (BOS) dan Support Vector Machine (SVM) (Studi Kasus : Ulasan Tempat Makan) Awalina, Aisyah; Bachtiar, Fitra Abdurrachman; Indriati, Indriati
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 2: April 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022925692

Abstract

Kemudahan memperoleh informasi saat ini telah banyak membantu manusia, salah satu mencari ulasan untuk tempat makan baru. Pencarian ulasan ini dipicu karena pengunjung tidak mengetahui layanan dari tempat tersebut. Ulasan juga dapat menguntungkan penjual, karena mereka mengetahui pengalaman yang dimiliki pengunjungnya. Oleh karena itu, ulasan palsu dimanfaatkan banyak orang untuk membuat ulasan palsu. Ulasan palsu bisa secara efektif dibedakan menggunakan machine learning. Namun, banyak dari dataset ulasan palsu ini tidak seimbang (imbalanced dataset) sehingga dapat mempengaruhi hasil klasifikasi. Oleh karena itu, penelitian ini menggunakan metode BOS untuk mengatasi tidak seimbangnya data dan melakukan klasifikasi dengan metode SVM. Adapun tahapan dari penelitian yaitu preprocessing, lalu pembobotan kata dengan TF-IDF dan fitur sentimen menggunakan lexicon-based features, dilanjutkan proses menyeimbangkan dataset dengan BOS, setelah itu proses klasifikasi oleh SVM. Adapun langkah dalam pengujian BOS dan SVM yaitu pembagian data latih dan uji dengan 80%:20%, setelah itu pencarian parameter terbaik pada data latih dengan 5-fold cross validation, dan dievaluasi dengan data uji. Adapun nilai parameter terbaik pada BOS dan SVM yaitu N dengan nilai 400% dimana hasil evaluasi akurasi dengan nilai 78,6%; precision dengan nilai 19,7%; recall dengan nilai 17,1%; f-measure dengan nilai 14,4%; dan g-mean dengan nilai 32%. Oleh karena itu, penggunaan BOS dapat meningkatkan hasil evaluasi dari terhadap klasifikasi ulasan palsu.AbstractThe convenience of obtaining information nowadays has helped many people such as looking for reviews for new places to eat. The search for reviews was triggered because visitors were not aware of the services of the place. Reviews can also benefit sellers, because they know the experience their visitors have had. Therefore, many people abuse reviews to create spam reviews. Spam reviews can be effectively resolved using machine learning. However, many of these spam review datasets are imbalanced and thus may affect classification results. In this study, BOS algorithm was used to overcome data imbalances, and SVM algorithm for the classification of spam reviews. The stages of the research are preprocessing, then weighting words with TF-IDF and sentiment features using lexicon-based features, followed by the process of balancing the dataset with BOS, and classification process with SVM. Step in testing BOS and SVM are split data of training and test data with 80%:20%, after that the search for the best parameters in the training data with 5-fold cross-validation, and evaluated with test data. The best parameter values for BOS and SVM were N with a value of 400% where the results of the accuracy evaluation were 78.6%; precision with a value of 19.7%; recall with a value of 17.1%; f-measure with a value of 14.4%; and g-mean with a value of 32%. Therefore, use of BOS can improve the evaluation results from the classification of spam reviews.
Perbandingan Pretrained Model Transformer pada Deteksi Ulasan Palsu Awalina, Aisyah; Bachtiar, Fitra Abdurrachman; Utaminingrum, Fitri
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 3: Juni 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022935696

Abstract

Kemudahan untuk memperoleh informasi saat ini, telah sedikit membantu hidup kita. Seperti mencari ulasan untuk menimbang tempat atau barang yang akan dipilih. Beberapa orang memanfaatkan hal tersebut dengan membuat ulasan palsu untuk kepentingan mereka sendiri. Sehingga deteksi ulasan palsu sangat dibutuhkan. Model Transformer saat ini banyak diterapkan pada pemrosesan bahasa alami karena kinerja yang diperoleh nya sangat baik. Ada dua pendekatan yang dapat dilakukan dalam model Transformer yaitu pre-training dan fine-tuning. Penelitian sebelumnya telah banyak menggunakan fine-tuning dari model Transformer dikarenakan adanya kemudahan dalam pelatihan, waktu yang lebih sedikit, biaya dan kebutuhan lingkungan yang lebih rendah dibanding proses pre-training. Akan tetapi penelitian sebelumnya masih sedikit yang membandingkan model deep learning dengan fine-tuning yang khusus diterapkan pada deteksi ulasan palsu. Penelitian ini melakukan perbandingan model Transformer menggunakan pendekatan fine-tuning dengan metode deep learning yaitu CNN dengan berbagai pretrained word embedding untuk mengatasi deteksi ulasan palsu pada dataset Ott. Model RoBERTa mengungguli model Transformer dan deep learning dimana nilai akurasi 90,8%; precision 90%; recall 91,8% dan f1-score 90,8%. Namun dari segi waktu komputasi model pelatihan, DistilBERT memperoleh waktu komputasi terkecil yaitu dengan nilai 200,5 detik. Meskipun begitu, hasil yang diperoleh model Transformer maupun deep learning memiliki kinerja yang baik untuk deteksi ulasan palsu pada dataset Ott.AbstractThe ease of obtaining information today has helped our lives, like looking for reviews to weigh the place or item to choose. Some people take advantage of this by creating spam reviews for their benefit. So the detection of spam reviews is needed. Transformer models are currently widely applied to natural language processing because they have outstanding performance. Two approaches in the Transformer model is pre-training and fine-tuning. Previous studies have used a lot of fine-tuning due to the ease of training, less time, costs, and lower environmental requirements than the pre-training process. However, a few previous studies compare deep learning models with fine-tuning applied explicitly for detecting spam reviews. This study compares the Transformer model using a fine-tuning approach with a deep learning method, namely CNN, which uses various pre-trained word embedding to overcome the detection of false reviews in the Ott dataset. The result is RoBERTa model outperforms between Transformer and deep learning models, where the accuracy is 90.8%, precision is 90%, recall is 91.8%, and f1-score is 90.8%. Afterward, DistilBERT models obtained the shortest computation time with 200.5 seconds. However, the results obtained by both Transformer and deep learning models perform well to detect spam reviews in the Ott dataset.
Klasifikasi Kinerja Akademik Siswa Menggunakan Neighbor Weighted K-Nearest Neighbor dengan Seleksi Fitur Information Gain Azizah, Rizky Adinda; Bachtiar, Fitra; Adinugroho, Sigit
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 3: Juni 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022935751

Abstract

Kinerja akademik siswa merupakan indikator kesuksesan dari pembelajaran di sekolah. Mengukur kinerja akademik siswa dapat membantu tenaga didik mengembangkan pembelajaran yang sesuai untuk siswa sehingga meningkatkan keberhasilan pembelajaran sekolah. Kinerja akademik siswa dapat diamati melalui suatu Learning Management System bernama Kalboard 360 yaitu sistem yang berhubungan dengan perilaku siswa menggunakan alat pelacak aktivitas siswa yang memantau aktivitas pembelajaran. Data sekunder dari aktivitas tersebut dapat digunakan untuk mengetahui kinerja siswa dengan salah satu caranya adalah klasifikasi. Klasifikasi menggunakan metode Neighbor Weighted K-Nearest Neighbor dengan seleksi fitur Information Gain diterapkan pada penelitian ini untuk membantu klasifikasi kinerja siswa karena metode NWKNN mempunyai kelebihan memperhitungkan metode pembobotan kelas dan mengatasi data tidak seimbang. Seleksi fitur dengan Information Gain digunakan agar dapat mengoptimalkan hasil kerja classifier. Berdasarkan pengujian dan analisis penelitian, didapatkan nilai akurasi terbaik sebesar 0,604, dengan nilai precision adalah 0,719, nilai recall sebesar 0,676, dan nilai f-measure diperoleh adalah 0,661. Nilai tersebut dihasilkan saat menggunakan 9 fitur yaitu VisitedResource, StudentAbsenceDay, RaisedHands, AnnouncementsView, Relation, ParentsAnsweringSurvey, Discussion, NationalITy, dan PlaceofBirth dimana fitur tersebut memperoleh nilai Gain tertinggi dari urutan Gain keseluruhan fitur, dengan nilai Gain ≥ 0,1182 dan menggunakan nilai parameter optimal yaitu nilai E = 6, dan nilai K = 45. AbstractThe academic performance of students is an indicator of the success of learning in school. Measuring and understanding student performance can help for  improving learning systems that are suitable for students so the success of school learning will increase. Student academic performance can be observed via Learning Management System (LMS) named Kalboard 360 dealing with student behavior through a student activity tracking device so it can monitor learning activities. In this research, the secondary data is used to determine student performance through a classification. Neighbor Weighted K-Nearest Neighbor algorithm with Information Gain method will be applied to this study to help predict student performance. NWKNN method has advantages in calculating the weight of classes and overcoming unbalanced data. Information Gain is used to optimize the classifier. Based on the research analysis, the accuracy value is 0,604, with precision value obtained is 0,719, recall value obtained is 0,676, and the f-measure value obtained is 0,661. That values is generated when using 9 features with the highest order value of all features namely VisitedResource, StudentAbsenceDay, RaisedHands, AnnouncementsView, Relation, ParentsAnsweringSurvey, Discussion, NationalITy, dan PlaceofBirth, which have Gain value≥0,1182  and using optimal parameters value, that is E = 6 and K = 45.
Co-Authors AA Sudharmawan, AA Abidatul Izzah Abu Wildan Mucholladin Achmad Arwan Achmad Basuki Achmad Basuki Achmad Fahlevi Achmad Firmansyah Sulaeman Achmad Hanim Nur Wahid Achmad Ridok Adam Hendra Brata Adam Syarif Hidayatullah Adhia, Nabila Nur Fajri Adinugroho, Sigit Aditya Rachmadi Aditya Rachmadi, Aditya Admaja Dwi Herlambang, Admaja Dwi Afida, Latansa Nurry Izza Afifurrijal Afifurrijal Agus Wahyu Widodo Ahmad Afif Supianto Ahmad Afif Supianto Ahmad Afif Supianto Ahmad Afif Supianto Ahmad Fairuzabadi Aisyah Awalina Aisyatul Maulidah Akhmad Lazuardi Al Ikhsan, Mochammad Dearifaldi Alaikal Fajri Nur Alfian Aldi Fianda Putra Aldo, Muhammad Alfi Nur Rusydi Alfian, Kharis Alfin Taufiqurrahman Alfirsa Damasyifa Fauzulhaq Alhasyimi, Dana Mustofa Amadea, Karina Amalia Kusuma Akaresti Amrillah, Muhammad Ifa Andi Alifsyah Dyasham Anggit Chalilur Rahman Anita Rizky Agustina Anita Rizky Agustina Anjasari, Ni Luh Made Beathris Anjumi Kholifatu Rahmatika Annuranda, Ramansyah Eka Apriyanti -, Apriyanti Ardi Wicaksono ari kusyanti Arieftia Wicaksono Arifien, Zainal Aulia Dewi Savitri Aulia Nurrahma Rosanti Paidja Aulia Septi Pertiwi Awalina, Aisyah Azhar Izzannada Elbachtiar Azizah, Rizky Adinda Azzam Syawqi Aziz Azzam, Ja'far Shidqul Baharudin Yusuf Widiyanto Barlian Henryranu Prasetio Bayu Aji Firmansyah Bayu Priyambadha Benni A. Nugroho Bere, Stevania Biabdillah, Fajerin Bianca Pingkan Nevista Bintang Fajrianti Budi Darma Setiawan Budi Setiawan Cahya, Reiza Adi Cinthia Vairra Hudiyanti Dariswan Janweri Perangin-Angin Darmawan, Riski Dary Ardiansyah Haryono Dea Zakia Nathania Dedi Romario Delpiero, Rangga Raditya Desy Setya Rositasari Dewi, Elok Nuraida Kusuma Dian Eka Ratnawati Dika Imantika Dimas Angga Nazaruddin Dinda Adimanggala Dito William Hamonangan Gultom Diva Fardiana Risa Djoko Pramono Dona Adittia Dyah Ayu Wulandari Dyah Ayu Wulandari Dyah Ayu Wulandari Dzar Romaita Eka Devi Prasetiya Eka Yuni Darmayanti Eko Laksono Eko Setiawan Fabiansyah Cahyo Kuncoro Pradipta Fahrezy, Ahmad Faizatul Amalia Fajar Pradana Faranisa, Puspa Ayu Fardan Ainul Yaqiin Farhan Setya Dhitama Farhansyah, Brahma Hanif Farid Syauqi Nirwan Fasya Ghassani Hadiyan Fatwa Ramdani, Fatwa Ferdian Maulana Akbar Ferry Ardianto Rismawan Ficry Agam Fathurrachman Fikar Mukamal Gandhi Ramadhona Gembong Edhi Setyawan Giga Setiawan Gregorius Dhanasatya Pudyakinarya Gultom, Dito William Hamonangan Gunawan, Alifi Haikal, Raihan Hanif Prasetyo Maulidina Hanifah Khoirunnisak Hanifah Muslimah Az-Zahra Hanifah Muslimah Az-Zahra, Hanifah Muslimah Haryowinoto Rizqul Aktsar Hasyir Daffa Ibrahim Hayashi, Yusuke Herman Tolle Heryana, Ana Hidayatullah, Adam Syarif Hirashima, Tsukasa Holiyanda Husada Hutamaputra, William Ihza Razan Alghifari Ikhsan Putra Arisandi Ikrom Septian Hadi Ilham Pambudi Imam Cholissodin Imam Cholissodin Indra Kurniawan Syahputra Indriati Indriati Indriati Indriati Indriati Indriati Indriati Intan Yusuf Habibie Iqbal Taufiq Ahmad Nur Irfani, Ilham Irma Nurvianti Irwan Suprianto Irwanto, M. Sofyan Issa Arwani Istanto, Raga Saputra Heri Ivqonnada Al Mufarrih Joseph Ananda Sugihdharma Joseph Ananda Sugihdharma Julia Ferlin Kartiko, Erik Yohan Katrina Puspita Kevin Gusti Farras Fari' Utomo Kharis Alfian Khoirullah, Habib Bahari Kresna Hafizh Muhaimin Krisnabayu, Rifky Yunus Krisnandi, Dikdik Kuncahyo Setyo Nugroho Kurnia Fakhrul Izza Kurniawan, Rafi Athallah Kusumo, R. Budiarianto Suryo Lailil Muflikhah Larasati, Sza Sza Amulya Lathania, Laela Salma Ludgerus Darell Perwara Luthfi Afrizal Ardhani M Reza Syahputra A M. Ali Fauzi M. Khusnul Azhari M. Raabith Rifqi Mar'i, Farhanna Marji Marvel Timothy Raphael Manullang Maulidah, Aisyatul Mawarni, Marrisaeka Moch Irfan Prayudha Adhianto Mochamad Chandra Saputra Mochamad Havid Albar Purnomo Mochammad Dearifaldi Al Ikhsan Moh Iqbal Yusron Mufidatun Nuha Muh. Edo Aprillia Andilala Muhammad Ferdyandi Muhammad Tanzil Furqon Muhammad Taufik Dharmawan Muhammad Wafi Muhammad Zulfikarrahman Nabila Leksana Putri Nabila Lubna Irbakanisa Nadifa, Rahajeng Mufti Nainggolan, Cesilia Natasya Nanang Yudi Setiawan Nanang Yudi Setiawan Nanang Yudi Setyawan Nanda Ajeng Kartini Nanda Samsu Dhuha Nasita Ratih Damayanti Nevista, Bianca Pingkan Nourman Hajar Novanto Yudistira Novi Sunu Sri Giriwati Novianti, Siska Nur Wahyu Melliano Hariyanto Nur, Iqbal Taufiq Ahmad Nurafifah Alya Farahisya Nurkhoyri, Ageng Nurul Hidayat Oddy Aulia Rahman Nugroho Okta Dwi Ariska Pamungkas, Gilang Alif Pangestu, Gusti Pradana , Fajar Priyambadha, Bayu Pryono, Muhammad Adam Puras Handharmahua Purnomo, Fawwaz Anrico Putra Pandu Adikara Rafif Taqiuddin Rafif Taqiuddin Rafly, Andi Rahman, Rafli Rahmat Adi Setiawan Ramadhan, Muhammad Fitrah Ramadhianti, Fatiha Randy Cahya Wihandika Randy Cahya Wihandika Ratih Kartika Dewi Refi Fadholi Rekyan Regasari Mardi Putri, Rekyan Regasari Mardi Renavitasari, Ivenulut Rizki Diaz Retno Indah Rokhmawati Retno Indah Rokhmawati, Retno Indah Revanza, Muhammad Nugraha Delta Reza Syahputra Rezka Aditya Nugraha Hasan Rezky Dermawan Rhobith, Muhammad Rian Nugroho Ridwan Adi Setiabudi Risa, Diva Fardiana Riski Darmawan Riza Setiawan Soetedjo Rizal Setya Perdana Rizkey Wijayanto Rizkia Desi Yudiari Rizky Adinda Azizah Rizky Muhammad Faris Prakoso Robi Dwi Setiawan Rochmawanti, Ovy Rona Salsabila Said Atharillah Alifka Alhabsyi Salsabila, Rona Samuel Arthur Satrio Agung Wicaksono Satrio Agung Wicaksono Satrio Hadi Wijoyo Satrio Hadi Wijoyo Satyawan Agung Nugroho Satyawan Agung Nugroho Shinta Aprilisia Sifaunnufus Ms, Fi Imanur Sigit Adinugroho Sinana, Admi Rut Sintiya, Karena Siswahyudi, Puad Siti Mutdilah Sofyanda, Erika Yussi Sri Wulan Utami Vitandy Sueddi Sihotang Sugihdharma, Joseph Ananda Sulandri, Sulandri Sutawijaya, Bayu Syahidi, Aulia Akhrian Syahputra, Indra K. Taufik Hidayat Timothy Julian Tirana Noor Fatyanosa, Tirana Noor Titus Christian Ubaydillah, Achmad Afif Utaminingrum, Fitri Vasha Farisi Sarwan Halim Very Sugiarto, Very Vivy Junita Wafi, Muhammad Wahyu Ardiansyah, Mohammad Wahyu Satriyo Wibowo Wahyudi, Hafif Bustani Wayan F. Mahmudy Wayan Firdaus Mahmudy Welly Purnomo Whita Parasati Wicaksono, Satrio A. Wicky Prabowo Juliastoro Windy Adira Istiqhfarani Wiratama Ahsani Taqwim Wirdhayanti Paulina Yoga Tika Pratama Yudi Muliawan Yuita Arum Sari Zayn, Afta Ramadhan Zulfikarrahman, Muhammad