cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
jtsiskom@ce.undip.ac.id
Editorial Address
-
Location
Kota semarang,
Jawa tengah
INDONESIA
Jurnal Teknologi dan Sistem Komputer
Published by Universitas Diponegoro
ISSN : 26204002     EISSN : 23380403     DOI : -
Core Subject : Science, Engineering,
Computer Science & IT Electrical & Electronics Engineering
Jurnal Teknologi dan Sistem Komputer (JTSiskom, e-ISSN: 2338-0403) adalah terbitan berkala online nasional yang diterbitkan oleh Departemen Teknik Sistem Komputer, Universitas Diponegoro, Indonesia. JTSiskom menyediakan media untuk mendiseminasikan hasil-hasil penelitian, pengembangan dan penerapannya di bidang teknologi dan sistem komputer, meliputi sistem embedded, robotika, rekayasa perangkat lunak dan jaringan komputer. Lihat fokus dan ruang lingkup JTSiskom. JTSiskom terbit 4 (empat) nomor dalam satu tahun, yaitu bulan Januari, April, Juli dan Oktober (lihat Tanggal Penting). Artikel yang dikirimkan ke jurnal ini akan ditelaah setidaknya oleh 2 (dua) orang reviewer. Pengecekan plagiasi artikel dilakukan dengan Google Scholar dan Turnitin. Artikel yang telah dinyatakan diterima akan diterbitkan dalam nomor In-Press sebelum nomor regular terbit. JTSiskom telah terindeks DOAJ, BASE, Google Scholar dan OneSearch.id Perpusnas. Lihat daftar pengindeks. Artikel yang dikirimkan harus sesuai dengan Petunjuk Penulisan JTSiskom. JTSiskom menganjurkan Penulis menggunakan aplikasi manajemen referensi, seperti Mendeley, Endnote atau lainnya. Penulis harus register ke jurnal atau jika telah teregister, dapat langsung log in dan melakukan lima langkah submisi artikel. Penulis harus mengupload Pernyataan Pengalihan Hak Cipta saat submisi. Artikel yang terbit di JTSiskom akan diberikan nomer identifier unik (DOI/Digital Object Identifier) dan tersedia serta bebas diunduh dari portal JTSiskom ini. Penulis tidak dipungut biaya baik untuk pengiriman artikel maupun pemrosesan artikel (lihat APC/Article Processing Charge). Jurnal ini mengimplementasikan sistem LOCKSS untuk pengarsipan secara terdistribusi di jaringan LOCKSS privat.
Arjuna Subject : -
Articles 413 Documents
 34   35   36   37   38 
Watermelon ripeness detector using near infrared spectroscopy Edwin R. Arboleda; Kimberly M. Parazo; Christle M. Pareja
Jurnal Teknologi dan Sistem Komputer Volume 8, Issue 4, Year 2020 (October 2020)
Publisher : Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/jtsiskom.2020.13744

Abstract

This study aimed to design and develop a watermelon ripeness detector using Near-Infrared Spectroscopy (NIRS). The research problem being solved in this study is developing a prototype wherein the watermelon ripeness can be detected without the need to open it. This detector will save customers from buying unripe watermelon and the farmers from harvesting an unripe watermelon. The researchers attempted to use the NIRS technique in determining the ripeness level of watermelon as it is widely used in the agricultural sector with high-speed analysis. The project was composed of Raspberry Pi Zero W as the microprocessor unit connected to input and output devices, such as the NIR spectral sensor and the OLED display. It was programmed by Python 3 IDLE. The detector scanned a total of 200 watermelon samples. These samples were grouped as 60 % for the training dataset, 20 % for testing, and another 20 % for evaluation. The data sets were collected and are subjected to the Support Vector Machine (SVM) algorithm. Overall, experimental results showed that the detector could correctly classify both unripe and ripe watermelons with 92.5 % accuracy.
Komparasi model support vector machine dan backpropagation dalam peramalan jumlah wisatawan mancanegara di provinsi Bali Imelda Alvionita Tarigan; I Putu Agung Bayupati; Gusti Agung Ayu Putri
Jurnal Teknologi dan Sistem Komputer Volume 9, Issue 2, Year 2021 (April 2021)
Publisher : Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/jtsiskom.2021.13847

Abstract

Tourism in Bali is one of the major industries which play an important role in developing the global economy in Indonesia. Good forecasting of tourist arrival, especially from foreign countries, is needed to predict the number of tourists based on past information to minimize the prediction error rate. This study compares the performance of SVM and Backpropagation to find the model with the best prediction algorithm using data from foreign tourists in Bali Province. The results of this study recommend the best forecasting using the SVM model with the radial kernel function. The best accuracy of the SVM model obtained the lowest error values of MSE 0.0009, MAE 0.0186, and MAPE 0.0276, compared to Backpropagation which obtained MSE 0.0170, MAE 0.1066, and MAPE 0.1539.
Deteksi osteoporosis pada citra radiograf panoramik dental menggunakan algoritme J48 dan learning vector quantization Enny Itje Sela
Jurnal Teknologi dan Sistem Komputer Volume 9, Issue 4, Year 2021 (October 2021)
Publisher : Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/jtsiskom.2021.14197

Abstract

Osteoporosis is one type of disease that is not easily detected. This disease can cause fractures for the sufferer. Early detection of osteoporosis is crucial to prevent fractures. This study aims to detect osteoporosis through features extracted from cortical bone and trabeculae in dental panoramic images. The results of the selected feature extraction are trained using an artificial neural network. Based on the study results, the dominant features for osteoporosis detection are radio morphometric index and morphological features. The accuracy, sensitivity, and specificity of the J48 and Learning Vector Quantization (LVQ) are 83.88 %, 78.57 %, and 100 %, respectively.
Erratum: Optimasi nilai k dan parameter lag algoritme k-nearest neighbor pada prediksi tingkat hunian hotel Akbar, Agus Subhan; Kusumodestoni, R. Hadapiningradja
Jurnal Teknologi dan Sistem Komputer Volume 9, Issue 1, Year 2021 (January 2021)
Publisher : Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/jtsiskom.2021.14007

Abstract

This correct the article "Optimasi nilai k dan parameter lag algoritme k-nearest neighbor pada prediksi tingkat hunian hotel (Optimization of k value and lag parameter of k-nearest neighbor algorithm on the prediction of hotel occupancy rates)" in vol. 8, no. 3, pp. 246-254, Jul. 2020; https://doi.org/10.14710/jtsiskom.2020.13648In the original published article, the placement of Figure 8 and Figure 9 less appropriate, which causes the manuscript hard to read. In addition, Table 2 through Table 6 need to be repositioned. These placing errors have been corrected online.The publisher apologizes for these errors. 
Algoritme deteksi kedatangan tsunami otomatis untuk sistem observasi tinggi muka air laut Sesar Prabu Dwi Sriyanto; Ping Astony Angmalisang; Lusia Manu; Joshian N. W. Schaduw; Calvyn F. A. Sondak; Rose O. S. E Mantiri; Alfret Luasunaung; Deiske A. Sumilat
Jurnal Teknologi dan Sistem Komputer Volume 9, Issue 4, Year 2021 (October 2021)
Publisher : Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/jtsiskom.2021.14009

Abstract

Agar dapat menginformasikan kedatangan tsunami dengan cepat kepada masyarakat, sistem observasi muka air laut perlu dilengkapi dengan algoritme deteksi tsunami otomatis. Penelitian ini bertujuan merancang algoritme deteksi tsunami yang terdiri dari 3 subalgoritme, yaitu eliminasi spike, pengisian data kosong, dan pendeteksi tsunami. Subalgoritme eliminasi spike dan pengisian data kosong digunakan untuk memperbaiki data observasi tinggi muka air laut yang sering terganggu oleh spike dan data kosong akibat faktor elektronik peralatan. Hasil perancangan diuji dengan data historis tide gauge saat terjadi tsunami antara tahun 2007-2019. Hasilnya, spike telah tereliminasi sebanyak 54,52 % dari 409 kemunculan, sedangkan data kosong berhasil diisi 100%. Pendeteksian tsunami yang menggunakan metode DART (Deep-ocean Assessment and Reporting of Tsunamis) dan TEDA (Tsunami Early Detection Algorithm) mampu mendeteksi 7 dari 10 sinyal tsunami, namun masih ada 3 sinyal yang tidak terdeteksi dan 1 kesalahan deteksi. Selain itu, rata-rata waktu pendeteksian tsunami sekitar 7,7 menit setelah tiba di lokasi tide gauge.
Model sistem pendukung keputusan menggunakan FIS Mamdani untuk penentuan tekanan udara ban Rusliyawati Rusliyawati; Agus Wantoro
Jurnal Teknologi dan Sistem Komputer Volume 9, Issue 1, Year 2021 (January 2021)
Publisher : Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/jtsiskom.2020.13776

Abstract

Tekanan udara ban sangat penting dalam berkendara yang dapat memberikan kenyamanan, keselamatan, dan efisiensi konsumsi BBM. Kajian ini bertujuan untuk membuat model yang dapat digunakan untuk menentukan ukuran tekanan udara ban. Model dikembangkan berbasis FIS Mamdani dengan lima parameter masukan, yaitu berat beban (kapasitas muatan), cuaca, jarak tempuh, diameter pelek, dan tebal ban. Inferensi Mamdani menghasilkan tekanan udara ban depan dan belakang. Hasil perhitungan tekanan ban menggunakan sistem dibandingkan dengan buku manual yang hanya mempertimbangkan beban kendaraan saja. Perbandingan tersebut menunjukkan perbedaan rerata ukuran 1,24 % untuk tekanan ban depan dan 2,17 % untuk ban belakang. Sistem mampu memberikan rekomendasi tekanan udara ban dengan mempertimbangkan beberapa parameter, selain beban kendaraan.
Identifikasi protein signifikan pada interaksi protein-protein penyakit Alzheimer menggunakan algoritme top-k representative skyline query Mohammad Romano Diansyah; Wisnu Ananta Kusuma; Annisa Annisa
Jurnal Teknologi dan Sistem Komputer Volume 9, Issue 3, Year 2021 (July 2021)
Publisher : Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/jtsiskom.2021.13985

Abstract

Penyakit Alzheimer merupakan penyakit neurodegeneratif yang paling umum terjadi. Kajian ini bertujuan melakukan analisis protein-protein interaction (PPI) yang dapat memberikan pemahaman lebih baik terhadap penyakit neurodegeneratif dan bisa digunakan untuk menemukan protein yang memiliki peran signifikan pada penyakit Alzheimer. Data PPI diperoleh dari eksperimen dan prediksi komputasional. PPI dapat dianalisis menggunakan centrality measures. Metode Top-k RSP digunakan untuk menemukan protein signifikan dengan menggunakan aturan dominansi dan digunakan pada sumber data interaksi eksperimen dan eksperimen+prediksi. Hasil penelitian ini menunjukkan bahwa APP dan PSEN1 merupakan protein signifikan untuk penyakit Alzheimer. Selain itu, kedua sumber data (eksperimen+prediksi) dan algoritme Top-k RSP terbukti dapat digunakan untuk analisis PPI dari penyakit Alzheimer.
Kendali pH untuk sistem IoT hidroponik deep flow technique berbasis fuzzy logic controller Adnan Rafi Al Tahtawi; Robi Kurniawan
Jurnal Teknologi dan Sistem Komputer Volume 8, Issue 4, Year 2020 (October 2020)
Publisher : Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/jtsiskom.2020.13822

Abstract

In hydroponic cultivation sites, pH control is still carried manually by checking the pH level with a pH meter and providing a pH balancing liquid manually. This study aims to design an automatic pH control system in the Deep Flow Technique (DFT) hydroponic system that uses the Internet of Things (IoT) based Fuzzy Logic Controller (FLC). The SKU SEN0161 sensor detects the pH value as FLC inputs in an error value and its changes. These inputs are processed using Mamdani FLC embedded in the Arduino Mega 2560 microcontroller. The FLC produces an output in a pH liquid feeding duration using the peristaltic pump. The results showed that FLC could maintain the pH value according to the set point with a settling time of less than 50 seconds, both with disturbance by adding pH liquid and without disturbance. The pH value can also be displayed on the website interface system as a monitoring system.
Implementasi Reccurent Neural Network Untuk Memprediksi Harga Saham Harlianto, Didi; Rachardi, Andris; Rusdah, Deandra Aulia; Safitri, Egi; Sudarsono, Ely; Bustamam, Alhadi
Jurnal Teknologi dan Sistem Komputer 2021: Publication In-Press
Publisher : Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/jtsiskom.2021.13898

Abstract

Saham adalah instrumen investasi dengan harga yang sangat fluktuatif. Harga saham dalam kurun waktu tertentu membentuk suatu data runtun waktu. Saat ini, salah satu metode yang cukup populer untuk menangani data runtun adalah Recurrent Neural Network (RNN). Tulisan ini membahas penerapan RNN di masa yang akan datang dalam memprediksi harga saham berdasarkan data harga saham beberapa tahun ke belakang. Tetapi RNN standar memiliki kelemahan yaitu terjadinya kondisi vanishing gradient. Oleh karena itu, arsitektur Long Short Term Memory (LSTM) digunakan pada RNN untuk mengatasi masalah tersebut. Sebagai pembanding, ditampilkan pula hasil prediksi dengan menggunakan model RNN standar. Hasilnya, RNN dengan arsitektur LSTM dapat dengan baik memprediksi harga saham dibandingkan RNN standar yang direfleksikan oleh nilai Mean Absolute Error (MAE) antar kedua model.
Klasifikasi penyakit citra daun anggur menggunakan model CNN-VGG16 Moh. Arie Hasan; Yan Riyanto; Dwiza Riana
Jurnal Teknologi dan Sistem Komputer Volume 9, Issue 4, Year 2021 (October 2021)
Publisher : Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/jtsiskom.2021.14013

Abstract

Penelitian ini bertujuan melakukan klasifikasi citra penyakit pada daun anggur dengan menggunakan pengolahan citra. Proses pengolahan citra berupa segmentasi menggunakan algoritme k-means clustering dan proses ekstraksi fitur dengan menggunakan teknik transfer learning VGG16 serta klasifikasi menggunakan CNN. Dataset diambil dari Kaggle sejumlah 4000 citra daun anggur untuk empat kelas, yaitu daun dengan campak hitam, bercak daun, daun sehat, dan hawar daun. Citra dari Google sejumlah 100 gambar juga digunakan sebagai data uji di luar dataset. Hasil dari penelitian ini diperoleh akurasi pelatihan model CNN sebesar 99,50 %. Pengujian dengan menggunakan data uji menghasilkan akurasi sebesar 97,25 % sedangkan dengan menggunakan data citra uji di luar dataset diperoleh hasil akurasi sebesar 95 %. Metode pengolahan citra yang dirancang diharapkan dapat diterapkan dalam merancang sistem untuk melakukan identifikasi dan klasifikasi citra penyakit pada daun anggur.

Page 36 of 42 | Total Record : 413

 34   35   36   37   38 

Filter by Year

2013 2023


Reset
Filter By Issues
All Issue [IN PRESS] Volume 11, Issue 1, Year 2023 (January 2023) [IN PRESS] Volume 10, Issue 4, Year 2022 (October 2022) [IN PRESS] Volume 10, Issue 3, Year 2022 (July 2022) Volume 10, Issue 2, Year 2022 (April 2022) Volume 10, Issue 1, Year 2022 (January 2022) Volume 9, Issue 4, Year 2021 (October 2021) Volume 9, Issue 3, Year 2021 (July 2021) Volume 9, Issue 2, Year 2021 (April 2021) Volume 9, Issue 1, Year 2021 (January 2021) 2021: Publication In-Press Volume 8, Issue 4, Year 2020 (October 2020) Volume 8, Issue 3, Year 2020 (July 2020) Volume 8, Issue 2, Year 2020 (April 2020) Volume 8, Issue 1, Year 2020 (January 2020) Volume 7, Issue 4, Year 2019 (October 2019) Volume 7, Issue 3, Year 2019 (July 2019) Volume 7, Issue 2, Year 2019 (April 2019) Volume 7, Issue 1, Year 2019 (January 2019) Publication In-Press (2019) Volume 6, Issue 4, Year 2018 (October 2018) Volume 6, Issue 3, Year 2018 (July 2018) Volume 6, Issue 2, Year 2018 (April 2018) Volume 6, Issue 1, Year 2018 (January 2018) Volume 5, Issue 4, Year 2017 (October 2017) Volume 5, Issue 3, Year 2017 (July 2017) Volume 5, Issue 2, Year 2017 (April 2017) Volume 5, Nomor 1, Tahun 2017 (Januari 2017) Volume 4, Issue 4, Year 2016 (October 2016) Volume 4, Nomor 3, Tahun 2016 (Agustus 2016) Volume 4, Nomor 2, Tahun 2016 (April 2016) Volume 4, Nomor 1, Tahun 2016 (Januari 2016) Volume 3, Nomor 4, Tahun 2015 (Oktober 2015) Volume 3, Nomor 3, Tahun 2015 (Agustus 2015) Volume 3, Nomor 2, Tahun 2015 (April 2015) Volume 3, Nomor 1, Tahun 2015 (Januari 2015) Volume 2, Nomor 4, Tahun 2014 (Oktober 2014) Volume 2, Nomor 3, Tahun 2014 (Agustus 2014) Volume 2, Nomor 2, Tahun 2014 (April 2014) Volume 2, Nomor 1, Tahun 2014 (Januari 2014) Volume 1, Nomor 4, Tahun 2013 (Oktober 2013) Volume 1, Nomor 3, Tahun 2013 (Agustus 2013) Volume 1, Nomor 2, Tahun 2013 (April 2013) Volume 1, Nomor 1, Tahun 2013 (Januari 2013) More Issue