p-Index From 2021 - 2026
6.894
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering IAES International Journal of Artificial Intelligence (IJ-AI) Seminar Nasional Aplikasi Teknologi Informasi (SNATI) TEKNIK JURNAL SISTEM INFORMASI BISNIS Jurnal Simetris Bulletin of Electrical Engineering and Informatics Jurnal Teknologi Informasi dan Ilmu Komputer Seminar Nasional Informatika (SEMNASIF) Sisforma: Journal of Information Systems JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI Jurnal Sisfokom (Sistem Informasi dan Komputer) MATRIK : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer Krea-TIF: Jurnal Teknik Informatika Indonesian Journal of Computing and Modeling The IJICS (International Journal of Informatics and Computer Science) JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Building of Informatics, Technology and Science Progresif: Jurnal Ilmiah Komputer Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi) International Journal of Engineering, Technology and Natural Sciences (IJETS) Aiti: Jurnal Teknologi Informasi MEANS (Media Informasi Analisa dan Sistem) Jurasik (Jurnal Riset Sistem Informasi dan Teknik Informatika) Jurnal Teknik Informatika (JUTIF) Journal of Information Technology Ampera Jurnal Saintekom : Sains, Teknologi, Komputer dan Manajemen Jurnal Sosial dan Sains Magistrorum et Scholarium: Jurnal Pengabdian Masyarakat IT-Explore: Jurnal Penerapan Teknologi Informasi dan Komunikasi Jurnal Pendidikan Teknologi Informasi (JUKANTI) INOVTEK Polbeng - Seri Informatika JuTISI (Jurnal Teknik Informatika dan Sistem Informasi)
Claim Missing Document
Check
Articles

MODEL SENSOR PRESSURE TRANSMITTER BERBASIS INTERNET OF THINGS UNTUK MENDETEKSI KEBOCORAN PIPA AIR Hans Nova Santosa; Wiwin Sulistyo
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 10, No 3 (2025)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v10i3.6491

Abstract

Di era digital saat ini, kebutuhan akan manajemen sumber daya udara yang efisien semakin mendesak, terutama untuk mendeteksi kebocoran pipa air yang sering kali sulit terdeteksi secara manual, terutama dalam jaringan pipa yang luas. Oleh karena itu, penelitian ini mengembangkan model sensor pressure transmitter berbasis Internet of Things (IoT) sebagai solusi inovatif untuk mendeteksi kebocoran pipa udara secara real-time . Sistem ini dirancang untuk mengukur tekanan udara dengan akurat dan mengirimkan data ke platform IoT melalui modul ESP8266 yang terhubung dengan jaringan WiFi. Dengan menetapkan ambang batas tekanan tertentu, sistem ini mampu mendeteksi perubahan tekanan yang signifikan yang mengindikasikan kebocoran dan secara otomatis mengirimkan notifikasi melalui Telegram kepada pengguna. Penelitian ini menggunakan metode PPDIOO, yang terdiri dari enam tahapan utama: persiapan, perencanaan, desain, implementasi, pengoperasian , dan optimalisasi . Hasil pengujian menunjukkan bahwa sensor pressure transmitter dapat mendeteksi tekanan udara dengan akurat dalam berbagai kondisi, dan integrasinya dengan ESP8266 memastikan bahwa perangkat dapat terhubung dengan jaringan WiFi secara stabil. Pengujian sistem notifikasi juga membuktikan bahwa ketika tekanan udara berada di bawah ambang batas yang telah ditentukan, sistem secara otomatis mengirimkan notifikasi "Bocor" melalui Telegram. Sistem ini tidak hanya efektif dalam mendeteksi kebocoran pipa secara real-time , tetapi juga menawarkan potensi pengembangan lebih lanjut dalam integrasi IoT dengan teknologi smarthome . 
Directional Robustness Asymmetry in Indonesian Sarcasm Detection: A Cross-Platform Evaluation of IndoRoBERTa on X and Reddit Marcellinus Brendan Hananta; Wiwin Sulistyo
Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi) Vol 11 No 1 (2026): JANUARY
Publisher : Lembaga Komunitas Informasi Teknologi Aceh (KITA), Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35870/jtik.v11i1.7711

Abstract

Sarcasm can reverse sentence polarity, making it one of the hardest problems in natural language processing and a persistent obstacle to reliable sentiment analysis on social media, where models are often deployed on platforms they were not trained on. Research on Indonesian sarcasm has largely stayed within a single domain or tested transfer in only one direction, leaving the cross-domain robustness of the IndoRoBERTa family on the IdSarcasm benchmark unclear. This study measures and compares the cross-domain robustness of IndoRoBERTa-small and IndoRoBERTa-base, with IndoBERT as a baseline, across X (Twitter) and Reddit, using the F1 gap (ΔF1) after cleaning anonymization artifacts, adding a data-size control, and running Stratified 5-Fold cross-validation. The results reveal a one-sided asymmetry: X → Reddit transfer is far more fragile (ΔF1 0.345–0.400) than Reddit → X (0.135–0.240), failing by missing sarcasm (false negatives) rather than over-flagging it (false positives). Practically, training on the context-rich domain (Reddit) and choosing IndoRoBERTa-base give the most reliable cross-platform sarcasm detection, with direction-specific mitigation recommended for robust deployment.
Model spatial analysis identifikasi risiko tsunami Pantai Selatan Jawa menggunakan Data Built-up Index Wiwin Sulistyo; Sri Yulianto Joko Prasetyo; Bistok Hasiholan Simanjuntak
AITI Vol 23 No 3 (2026)
Publisher : Fakultas Teknologi Informasi Universitas Kristen Satya Wacana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24246/aiti.v23i3.465-481

Abstract

Wilayah Indonesia, khususnya sepanjang pantai selatan Pulau Jawa, memiliki tingkat kerawanan gempa dan tsunami karena berada pada zona patahan dan memiliki sejarah kejadian tsunami. Potensi berulangnya bencana dalam kurun waktu tertentu memerlukan perhatian melalui identifikasi risiko dan langkah mitigasi yang tepat. Penelitian ini bertujuan mengidentifikasi dan mengklasifikasikan wilayah berisiko tinggi terhadap gempa dan tsunami dengan memanfaatkan citra satelit dan analisis spasial. Data citra satelit diolah untuk memperoleh Spectral Vegetation Indices (SVI) serta sejumlah indeks berbasis lahan terbangun dan karakteristik permukaan menggunakan komputer 3Drecons. Indeks yang digunakan meliputi Index-based Built-up Index (IBI), Urban Index (UI), Normalized Difference Bareness Index (NDBaI), Normalized Difference Built-up Index (NDBI), Normalized Built-up Area Index (NBAI), dan New Built-up Index (NBI). Selanjutnya, data dianalisis menggunakan pendekatan klasterisasi dan klasifikasi spasial untuk mengidentifikasi pola dan tingkat risiko pada setiap wilayah studi. Hasil analisis menghasilkan pengelompokan wilayah berdasarkan karakteristik spasial yang dapat digunakan untuk menggambarkan status risiko gempa dan tsunami. Pendekatan ini dapat mendukung identifikasi wilayah prioritas serta penyusunan strategi mitigasi bencana berbasis data spasial.
Komparasi Model Deep Learning dan SVR Untuk Prediksi Tren Banjir Rob Berbasis Data Multivariat Di Kabupaten Brebes Kurniawan, Rifki Dwi; Sulistyo, Wiwin; Widiasari, Indrastanti Ratna
Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 13 No. 5: Oktober 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026135

Abstract

Banjir rob merupakan ancaman hidrometeorologis yang berdampak signifikan pada degradasi lingkungan pesisir di Kabupaten Brebes. Mitigasi berbasis sistem peringatan dini menuntut adanya prediksi komputasional yang presisi. Namun, pemodelan berbasis machine learning sering kali terhambat oleh keterbatasan ketersediaan data historis (data scarcity). Penelitian ini bertujuan untuk mengembangkan dan membandingkan performa model Deep Learning (LSTM, GRU, BiLSTM) dengan baseline model klasik, yaitu Support Vector Regression (SVR), dalam memprediksi fluktuasi pasang surut multivariat menggunakan 36 bulan data historis (2022–2024). Variabel input terdiri dari kecepatan angin, curah hujan, tekanan barometrik, suhu, dan observasi pasang surut, yang diproses melalui skema pencuplikan temporal (time-windowing) 3 bulan. Evaluasi performa diukur menggunakan RMSE, MAE, R², serta uji signifikansi statistik non-parametrik Wilcoxon Signed-Rank. Hasil eksperimen menunjukkan bahwa SVR secara konsisten mengungguli arsitektur Deep Learning dengan mencatatkan nilai galat terendah (RMSE = 0,1993 m, MAE = 0,1344 m, R² = 0,3434). Keunggulan SVR tervalidasi signifikan secara statistik (p-value = 0,0039 < 0,05). Penelitian ini menyimpulkan bahwa pada kondisi resolusi dataset bulanan yang minor, model regresi klasik yang mengoptimalkan margin toleransi galat beroperasi jauh lebih tangguh dan stabil secara generalisasi dibandingkan model Deep Learning sekuensial yang rentan mengalami overfitting. SVR direkomendasikan sebagai fondasi sistem prediksi tren pasang surut jangka menengah di Kabupaten Brebes.   Abstract Tidal flooding (rob) represents a hydrometeorological hazard with significant impacts on coastal environmental degradation in Brebes Regency, Indonesia. Effective mitigation through early warning systems demands reliable computational prediction; however, machine learning-based modeling in this region is frequently constrained by the limited availability of historical records (data scarcity). This study develops and compares the performance of deep learning architectures (LSTM, GRU, BiLSTM) against a classical baseline model, Support Vector Regression (SVR), in predicting multivariate tidal anomaly fluctuations using 36 months of historical data (2022–2024). Input variables comprise wind speed, rainfall, barometric pressure, sea surface temperature, and tidal observations, processed through a 3-month time-windowing scheme. Model performance was evaluated using RMSE, MAE, R2, and the non-parametric Wilcoxon Signed-Rank significance test. Experimental results demonstrate that SVR achieved the lowest prediction error (RMSE = 0.1993 m; MAE = 0.1344 m) among all evaluated models. It is noted, however, that SVR yielded a comparatively lower R2 value (0.3434) relative to several deep learning counterparts, indicating room for further model refinement. The superiority of SVR in error minimization was statistically validated (p = 0.0039 < 0.05). This study concludes that under conditions of limited monthly-resolution datasets, classical regression models grounded in Structural Risk Minimization tend to generalize more stably than sequential deep learning architectures. SVR is recommended as a promising computational baseline for developing a medium-term tidal trend prediction system in Brebes Regency, with validation on higher-resolution data identified as a priority for future research.