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
 35   36   37   38   39 
Prediksi puncak pandemi Covid-19 di Indonesia dengan model SIR Bambang Ari Wahyudi; Irma Palupi
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.2020.13877

Abstract

Penelitian ini menyajikan penggunaan model Susceptible, Infected, and Removed (SIR) untuk memprediksi kondisi penularan Covid-19 di Indonesia. Data resmi pemerintah yang terdiri dari kasus positif, meninggal, dan sembuh digunakan sebagai data aktual untuk menginterpolasi model, melalui metode pencocokan data dengan minimum mean squared error (MSE). Salah satu metode pencarian Quasi-Newton yaitu algoritme Broyden, Fletcher, Goldfarb, and Shanno (BFGS) digunakan untuk menentukan nilai optimal koefisien interaksi pada model dengan nilai MSE minimum. Berdasarkan data per 18 Juli 2020, model memprediksi bahwa puncak penambahan kasus positif infeksi akan terjadi pada bulan Oktober dengan jumlah mendekati 14% persen total populasi dan galat MSE 18,42, relatif terhadap periode data aktual. Tingkat penyebaran diestimasi dengan nilai 2,035 dimana lebih kecil 29 % dibandingkan dengan tingkat penyebaran relatif dari data aktual.
Implementing a non-local means method to CTA data of aortic dissection Maya Fitria; Cosmin Adrian Morariu; Josef Pauli; Ramzi Adriman
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.2021.14125

Abstract

It is necessary to conserve important information, like edges, details, and textures, in CT aortic dissection images, as this helps the radiologist examine and diagnose the disease. Hence, a less noisy image is required to support medical experts in performing better diagnoses. In this work, the non-local means (NLM) method is conducted to minimize the noise in CT images of aortic dissection patients as a preprocessing step to produce accurate aortic segmentation results. The method is implemented in an existing segmentation system using six different kernel functions, and the evaluation is done by assessing DSC, precision, and recall of segmentation results. Furthermore, the visual quality of denoised images is also taken into account to be determined. Besides, a comparative analysis between NLM and other denoising methods is done in this experiment. The results showed that NLM yields encouraging segmentation results, even though the visualization of denoised images is unacceptable. Applying the NLM algorithm with the flat function provides the highest DSC, precision, and recall values of 0.937101, 0.954835, and 0.920517 consecutively.
Prediksi pembatalan pemesanan hotel menggunakan optimalisasi hiperparameter pada algoritme Random Forest Yufis Azhar; Galang Aji Mahesa; Moch. Chamdani Mustaqim
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.2020.13790

Abstract

Cancellation of hotel bookings by customers greatly influences hotel managerial decision making. To minimize losses by this problem, the hotel management made a fairly rigid policy that could damage the reputation and business performance. Therefore, this study focuses on solving these problems using machine learning algorithms. To get the best model performance, hyperparameter optimization is applied to the random forest algorithm. It aims to obtain the best combination of model parameters in predicting hotel booking cancellations. The proposed model is proven to have the best performance with the highest accuracy results of 87 %. This study's results can be used as a model component in hotel managerial decision-making systems related to future bookings' cancellation.
Identification of the distribution village maturation: Village classification using Density-based spatial clustering of applications with noise Okfalisa Okfalisa; Angraini Angraini; Shella Novi; Hidayati Rusnedy; Lestari Handayani; Mustakim Mustakim
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.2021.13998

Abstract

The rural development measurement is undoubtedly not easy due to its particular needs and conditions. This study classifies village performance from social, economic, and ecological indices. One thousand five hundred ninety-one villages from the Community and Village Empowerment Office at Riau Province, Indonesia, are grouped into five village maturation classes: very under-developed village, under-developed village, developing village, developed village, and independent village. To date, Density-based spatial clustering of applications with noise (DBSCAN) is utilized in mining 13 of the villages’ attributes. Python programming is applied to analyze and evaluate the DBSCAN activities. The study reveals the grouping’s silhouette coefficient values at 0.8231, thus indicating the well-being clustering performance. The epsilon and minimum points values are considered in DBSCAN evaluation with percentage splits simulation. This grouping can be used as guidelines for governments in analyzing the distribution of rural development subsidies more optimal.
Prapemrosesan klasifikasi algoritme kNN menggunakan K-means dan matriks jarak untuk dataset hasil studi mahasiswa Sugriyono Sugriyono; Maria Ulfah Siregar
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.2020.13874

Abstract

Keberadaan outlier pada dataset dapat menyebabkan rendahnya hasil akurasi pada proses klasifikasi. Outlier pada dataset dapat dihilangkan pada tahapan prapemrosesan algoritme klasifikasi. Clustering dapat digunakan sebagai metode pendeteksi outlier. Kajian ini bertujuan menerapkan K-means dan matriks jarak untuk mendeteksi outlier dan menghapusnya dari dataset yang sudah memiliki kelas label. Penelitian ini menggunakan dataset hasil studi mahasiswa berjumlah 6847 instance, dengan 18 atribut dan tiga kelas. Prapemrosesan menerapkan metode K-means untuk mendapatkan pusat klaster pada tiap class, matriks jarak digunakan untuk mengevaluasi jarak instance dengan pusat klaster. Outlier, kelas baru yang berbeda dengan kelas awal, yang ditemukan akan dihilangkan. Prapemrosesan ini meningkatkan hasil akurasi klasifikasi algoritme kNN. Data tanpa prapemrosesan menghasilkan akurasi sebesar 72,28 %, data hasil prapemrosesan menggunakan metode K-means dan Euclidean menghasilkan akurasi hasil klasifikasi sebesar 98,42 % (meningkat 26,14 %), sedangkan metode K-means dan Manhattan menghasilkan akurasi sebesar 97,76 % (meningkat 25,48 %).
Sistem rekomendasi peminatan peserta didik baru pada kurikulum K-13 menggunakan metode profile matching, simple additive weighting, dan kombinasi keduanya Muhammad Edi Iswanto; Maria Ulfah Siregar; Shofwatul 'Uyun; Muhammad Taufiq Nuruzzaman
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.2021.13902

Abstract

Peminatan peserta didik dalam kurikulum 2013 dilakukan sebelum peserta didik memulai belajar di kelas X. Ketepatan dalam penentuannya diperlukan untuk memastikan peserta didik belajar sesuai dengan minat dan bakat yang dimiliki. Penelitian ini menerapkan tiga metode SPK, yaitu profile matching, SAW dan kombinasi keduanya, untuk memberikan rekomendasi peminatan siswa didik ini. Ketiga metode tersebut dikomparasikan menggunakan alternatif dan kriteria yang sama untuk mengetahui metode yang paling dominan. Hasil penelitian ini menunjukkan bahwa penerapan SPK dapat membantu kegiatan PPDB dengan akurasi 79,2 %. Dalam proses penentuan minat bagi peserta didik, metode kombinasi menjadi yang paling dominan dengan persentase sebesar 78 %. Penerapan SPK tidak hanya membantu proses peminatan menjadi lebih cepat, tetapi juga akurat. Hal ini dibuktikan dengan hanya terdapat 6 dari total 122 peserta didik yang memilih peminatan berdasarkan rekomendasi SPK mendapatkan nilai di bawah KKM.
Optimasi MWMOTE pada data tidak seimbang menggunakan complete linkage Meida Cahyo Untoro
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.2021.13748

Abstract

Data yang tidak seimbang dapat menyebabkan kesalahan klasifikasi, menurunkan kinerja dan akurasi. Pengelompokan pada MWMOTE dapat dioptimalkan untuk meningkatkan kinerja pembangkitan data sintetis menjadi representatif serta meningkatkan kinerja MWMOTE. Penelitian ini bertujuan untuk mengoptimalkan kinerja algoritme MWMOTE pada proses klasterisasi dalam pembuatan data sintetik dengan complete linkage (CL). Dataset yang digunakan memiliki beragam rasio data dengan tujuan menangangani data yang tidak seimbang. Decision tree digunakan untuk mengetahui kinerja dari oversampling MWMOTE dan CL-MWMOTE. Hasil evaluasi CL-MWMOTE memberikan kinerja yang lebih baik dan optimal daripada MWMOTE serta meningkatkan presisi sebesar 0,53 %, sensitivitas 0,67 %, f-measure 0,66 %, dan akurasi 0,67 %.
Modifikasi skyline query untuk mengukur daerah prioritas penerima bantuan alat pelindung diri bagi tenaga kesehatan COVID-19 Vega Purwayoga
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.2021.14003

Abstract

Pendistribusian bantuan alat pelindung diri (APD) yang tepat sasaran memiliki peranan penting untuk memenuhi kebutuhan APD pada suatu daerah. Penelitian ini bertujuan untuk menghitung prioritas daerah penerima APD di provinsi Jawa Barat dengan menggunakan algoritme skyline query, yaitu Sort Filter Skyline (SFS) yang dimodifikasi. Modifikasi algoritme SFS dilakukan untuk optimasi pada bagian pengujian dominasi. Daerah yang tidak memiliki rumah sakit tidak akan dijadikan prioritas penerima APD. Preferensi yang digunakan dalam penelitian ini adalah maksimum dan minimum. Aturan preferensi maksimum digunakan untuk atribut jumlah kasus ODP, PDP, positif, dan meninggal, sedangkan untuk aturan preferensi minimum digunakan pada atribut sembuh dan jarak. Penerapan SFS untuk perhitungan daerah prioritas telah berhasil dilakukan dengan mengembangkan dua model, yaitu MS1 menggunakan SFS tanpa modifikasi dan MS2 menggunakan SFS termodifikasi yang melakukan proses seleksi daerah yang tidak memiliki rumah sakit. Objek skyline rata-rata yang dihasilkan oleh MS1 yaitu 21 (55,55 %), sedangkan MS2 menghasilkan objek skyline sebanyak 15 (66,66 %). Kecepatan proses MS2 lebih tinggi dibandingkan dengan MS1 karena objek yang diuji menjadi lebih sedikit. Waktu proses MS1 mencapai 0,0222 detik, sedangkan MS2 hanya membutuhkan waktu 0,0193 detik.
Tree-based homogeneous ensemble model with feature selection for diabetic retinopathy prediction Tamunopriye Ene Dagogo-George; Hammed Adeleye Mojeed; Abdulateef Oluwagbemiga Balogun; Modinat Abolore Mabayoje; Shakirat Aderonke Salihu
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.2020.13669

Abstract

Diabetic Retinopathy (DR) is a condition that emerges from prolonged diabetes, causing severe damages to the eyes. Early diagnosis of this disease is highly imperative as late diagnosis may be fatal. Existing studies employed machine learning approaches with Support Vector Machines (SVM) having the highest performance on most analyses and Decision Trees (DT) having the lowest. However, SVM has been known to suffer from parameter and kernel selection problems, which undermine its predictive capability. Hence, this study presents homogenous ensemble classification methods with DT as the base classifier to optimize predictive performance. Boosting and Bagging ensemble methods with feature selection were employed, and experiments were carried out using Python Scikit Learn libraries on DR datasets extracted from UCI Machine Learning repository. Experimental results showed that Bagged and Boosted DT were better than SVM. Specifically, Bagged DT performed best with accuracy 65.38 %, f-score 0.664, and AUC 0.731, followed by Boosted DT with accuracy 65.42 %, f-score 0.655, and AUC 0.724 when compared to SVM (accuracy 65.16 %, f-score 0.652, and AUC 0.721). These results indicate that DT's predictive performance can be optimized by employing the homogeneous ensemble methods to outperform SVM in predicting DR.
Three combination value of extraction features on GLCM for detecting pothole and asphalt road Yoke Kusuma Arbawa; Fitri Utaminingrum; Eko Setiawan
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.2020.13828

Abstract

The rate of vehicle accidents in various regions is still high accidents caused by many factors, such as driver negligence, vehicle damage, and road damage. However, transportation technology developed very rapidly, for example, a smart car. The smart car is land transportation that does not use humans as drivers but uses machines automatically. However, vehicle accidents are still possible because automatic machines do not have the intelligence like humans to see all the vehicle's obstacles. Obstacles can take many forms, one of them is road potholes. We propose a method for detecting road potholes using the Gray-Level Cooccurrence Matrix with three features and using the Support Vector Machine as a classification method. We analyze the combination of GLCM Contrast, Correlation, and Dissimilarity features. The results showed that the combination of Contrast and Dissimilarity features had the best accuracy of 92.033 %, with a computing time of 0.0704 seconds per frame.

Page 37 of 42 | Total Record : 413

 35   36   37   38   39 

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