Garuda - Garba Rujukan Digital

Prediksi Burnout Pada Programmer Menggunakan Teknik Pengenalan Pola Untuk Identifikasi Dini Dan Intervensi Saputra, Candra Heru; Hermawan, Arief; Avianto, Donny
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 3: Juni 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.1138070

Burnout atau kelelahan kerja merupakan sebuah fenomena yang sering dihadapi oleh profesional dalam berbagai bidang, termasuk programmer. Dampak negatif dari burnout mencakup penurunan kesejahteraan individu dan produktivitas kerja. Penelitian ini bertujuan untuk mengembangkan sebuah model prediktif untuk identifikasi dini dan intervensi burnout pada programmer menggunakan teknik pengenalan pola. Data yang digunakan dalam penelitian ini diperoleh dari kuesioner yang mencakup pertanyaan terkait pola kerja, kebiasaan individu, dan indikator burnout berdasarkan kriteria Maslach Burnout Inventory (MBI). Metodologi yang diterapkan melibatkan pengumpulan dan pra-pemrosesan data, ekstraksi fitur, dan aplikasi algoritma pengenalan pola untuk konstruksi model. Hasil penelitian menunjukkan bahwa model yang dikembangkan mampu mengidentifikasi risiko burnout dengan akurasi yang memadai, dan teknik pengenalan pola terbukti efektif dalam menggali pola dan insight yang relevan untuk identifikasi dan intervensi burnout pada programmer.

Analisis Burnout Programmer Terhadap Penerapan Secure Coding Saputra, Candra Heru; Ujianto, Erik Iman Heri; Rianto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 2: April 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20241128266

Di tengah perkembangan teknologi yang semakin pesat dan fokus terhadap aspek keamanan dalam pengembangan perangkat lunak, penelitian ini bertujuan untuk mengkaji dampak burnout pada programmer terhadap praktik secure coding. Studi ini dirancang untuk menggali korelasi antara tingkat kelelahan emosional programmer dan efektivitas mereka dalam menerapkan teknik secure coding. Penelitian ini mengadopsi pendekatan kuantitatif, dengan mengumpulkan data menggunakan kuesioner yang didistribusikan ke berbagai forum dan komunitas yang terdiri dari praktisi pengembangan perangkat lunak. Melalui teknik analisis statistik yang komprehensif, termasuk penerapan uji-t independen, studi ini berhasil mengidentifikasi adanya pengaruh yang signifikan dari kondisi burnout terhadap persepsi dan implementasi secure coding. Hasil analisis menunjukkan bahwa programmer yang mengalami burnout memiliki kecenderungan untuk menilai secure coding sebagai sesuatu yang kurang penting, yang berimplikasi pada pengurangan kualitas dan konsistensi dalam menerapkan standar pengkodean keamanan yang direkomendasikan.

Integrasi Audit dan Teknik Clustering untuk Segmentasi dan Kategorisasi Aktivitas Log Saputra, Candra Heru
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 1: Februari 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20241118071

Dengan berkembangnya teknologi, organisasi dan perusahaan kini mengumpulkan data dalam jumlah yang sangat besar, yang tercatat dalam log sistem untuk tujuan audit keamanan, pemantauan, dan investigasi forensik. Namun, tantangan utama muncul saat analis keamanan harus menangani volume data log yang besar, yang seringkali membuat sulit untuk mengidentifikasi aktivitas mencurigakan atau abnormal. Dalam upaya mengatasi tantangan analisis log yang berskala besar dalam sistem informasi, penelitian ini bertujuan untuk mengintegrasikan teknik audit trail dengan metode clustering, khususnya menggunakan K-Means, untuk segmentasi dan kategorisasi aktivitas log. Penelitian ini mencari pendekatan yang dapat meningkatkan efisiensi dalam menelusuri dan menganalisis log aktivitas dengan mengelompokkan data log yang serupa. Metode yang digunakan mencakup desain eksperimental, pengumpulan data audit trail yang komprehensif, preprocessing data, implementasi algoritma K-Means, dan evaluasi hasil clustering. Hasil penelitian mengindikasikan bahwa penerapan K-Means pada audit trail memungkinkan identifikasi pola aktivitas yang signifikan, memudahkan deteksi anomali dengan cepat, dan menyederhanakan proses audit keamanan data, yang mengarah pada pemahaman yang lebih baik dalam pengelolaan risiko keamanan informasi.

Analisis BERT-CNN untuk Klasifikasi Multi-Label Diskusi Keagamaan dan Asosiasi dengan Al-Qur’an dan Hadits Saputra, Candra Heru; Suhirman
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025126

Penelitian ini menerapkan Natural Language Processing (NLP) dengan Bidirectional Encoder Representations from Transformers (BERT) yang dikombinasikan dengan Convolutional Neural Network (CNN) untuk klasifikasi multi-label diskusi keagamaan serta mengasosiasikannya dengan ayat Al-Qur’an dan Hadits. Dataset yang digunakan berasal dari diskusi keagamaan dan pertanyaan jamaah kepada ustaz yang diunggah di berbagai platform digital, seperti YouTube, Facebook, Instagram, dan situs web. Model NLP berbasis BERT digunakan untuk merepresentasikan teks secara kontekstual, sementara CNN digunakan untuk mengekstraksi fitur dan melakukan klasifikasi multi-label. Eksperimen dilakukan untuk mengeksplorasi kombinasi parameter dan pendekatan preprocessing teks guna meningkatkan akurasi klasifikasi. Hasil menunjukkan bahwa tuning hyperparameter meningkatkan F1-Score pada konfigurasi parameter ke-2 (E2) dari 0.7046 menjadi 0.7789 dan pada konfigurasi parameter ke-5 (E5) dari 0.7073 menjadi 0.7734, serta menurunkan Hamming Loss, yang mengindikasikan peningkatan akurasi prediksi label. Threshold 0.40 ditemukan sebagai nilai optimal untuk keseimbangan Precision dan Recall, yang berkontribusi terhadap peningkatan Subset Accuracy. Penelitian ini diharapkan dapat berkontribusi dalam pengembangan teknologi NLP berbasis bahasa Indonesia untuk klasifikasi multi-label teks keagamaan serta membuka peluang penerapan dalam aplikasi kecerdasan buatan guna meningkatkan akses informasi keagamaan secara cepat dan akurat. Abstract This study applies Natural Language Processing (NLP) using Bidirectional Encoder Representations from Transformers (BERT) combined with Convolutional Neural Networks (CNN) for multi-label classification of religious discussions and their association with verses of the Qur’an and Hadith. The dataset was obtained from religious discussions and congregants’ questions addressed to ustaz, collected from various digital platforms such as YouTube, Facebook, Instagram, and websites. The BERT-based NLP model was employed to represent text contextually, while CNN was used to extract features and perform multi-label classification. Experiments were conducted to explore parameter combinations and text preprocessing approaches to improve classification accuracy. The results show that hyperparameter tuning increased the F1-Score in the second parameter configuration (E2) from 0.7046 to 0.7789 and in the fifth configuration (E5) from 0.7073 to 0.7734, while reducing the Hamming Loss, indicating an improvement in label prediction accuracy. A threshold of 0.40 was found to be the optimal value for balancing Precision and Recall, contributing to an increase in Subset Accuracy. This research is expected to contribute to the development of Indonesian-language NLP technology for multi-label classification of religious texts and to open opportunities for practical applications in artificial intelligence systems to enhance rapid and accurate access to religious information.

Title

Found 4 Documents
Search

Abstract

Abstract

Abstract

Abstract

Title Search

Found 4 Documents Search

Abstract

Abstract

Abstract

Abstract

Title

Found 4 Documents
Search