Jurnal Teknologi dan Sistem Komputer
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.
Articles
413 Documents
<![CDATA[AKSALont: Aplikasi transliterasi aksara Lontar Bali dengan model LSTM ]]>
<![CDATA[Made Windu Antara Kesiman]]>;
<![CDATA[Kadek Teguh Dermawan]]>
<![CDATA[ Jurnal Teknologi dan Sistem Komputer Volume 9, Issue 3, Year 2021 (July 2021) ]]>
Publisher : <![CDATA[Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.14710/jtsiskom.2021.13969
<![CDATA[Penelitian ini bertujuan untuk membangun sebuah aplikasi transliterasi aksara Lontar Bali menuju alfabet Latin/Romawi. Citra aksara Lontar Bali yang menjadi masukan bagi sistem ini adalah citra aksara Lontar Bali dari teks yang tertulis pada citra digital dari naskah kuno asli dari Lontar Bali, bukan dari aksara Bali yang tercetak dengan menggunakan font pada komputer. Mesin transliterasi menggunakan model LSTM sehingga proses transliterasi dapat dilakukan tanpa melalui proses segmentasi glyph. Selain itu, dilakukan perancangan dan implementasi interaksi aplikasi AKSALont pada platform berbasis web menggunakan metode interoperabilitas antar platform. Hasil eksperimen menunjukkan bahwa mesin transliterasi yang dibangun sudah menunjukkan kemampuan untuk melakukan transliterasi aksara Bali pada citra Lontar Bali dengan benar dan memiliki CER 19,78 % pada 10.475 data uji. Aplikasi AKSALont yang berbasis web dengan platform daring telah dapat membuka akses yang lebih meluas bagi masyarakat terhadap konten koleksi Lontar Bali.]]>
<![CDATA[Perbandingan pengukuran jarak Euclidean dan Gower pada klaster k-medoids ]]>
<![CDATA[Agil Aditya]]>;
<![CDATA[Betha Nurina Sari]]>;
<![CDATA[Tesa Nur Padilah]]>
<![CDATA[ Jurnal Teknologi dan Sistem Komputer Volume 9, Issue 1, Year 2021 (January 2021) ]]>
Publisher : <![CDATA[Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.14710/jtsiskom.2020.13747
<![CDATA[Klastering k-medoids menggunakan metode jarak untuk mencari dan mengelompokkan data yang memiliki kesamaan dan ketidaksamaan. Penentuan metode pengukuran jarak adalah hal yang penting karena mempengaruhi performa hasil klaster k-medoids. Beberapa kajian menyatakan bahwa metode Euclidean dan Gower bisa digunakan sebagai metode pengukuran pada klastering dengan data numerik. Penelitian ini bertujuan untuk melakukan perbandingan performa hasil klastering k-medoids pada dataset numerik menggunakan metode Euclidean dan Gower. Penelitian ini menggunakan tujuh dataset numerik dan evaluasi hasil klastering menggunakan nilai Silhouette, Dunn, dan Connectivity. Metode jarak Euclidean unggul pada dua nilai evaluasi Silhouette dan Connectivity yang menunjukkan bahwa Euclidean memiliki struktur pengelompokan data yang baik, sedangkan Gower unggul pada satu nilai evaluasi Dunn yang menunjukkan Gower memiliki pemisah antar klaster yang baik dibanding Euclidean. Penelitian ini menunjukkan bahwa metode Euclidean lebih unggul daripada metode Gower pada penerapan algoritma k-medoids dengan dataset bertipe numerik.]]>
<![CDATA[Alternatif otentikasi menggunakan metode steganografi histogram shifting ]]>
<![CDATA[Irsandy Maulana Satya Viddin]]>;
<![CDATA[Antonius Cahya Prihandoko]]>;
<![CDATA[Diksy Media Firmansyah]]>
<![CDATA[ Jurnal Teknologi dan Sistem Komputer Volume 9, Issue 2, Year 2021 (April 2021) ]]>
Publisher : <![CDATA[Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.14710/jtsiskom.2021.13931
<![CDATA[Penelitian ini bertujuan mengembangkan alternatif otentikasi dengan menerapkan metode steganografi Histogram shifting. Media yang digunakan untuk otentikasi adalah media citra. Histogram shifting memanfaatkan histogram suatu citra untuk menyisipkan pesan rahasia. Alternatif otentikasi telah menerapkan metode Histogram shifting untuk menyisipkan kredensial pengguna ke dalam citra pembawa. Citra hasil steganografi dapat digunakan untuk masuk ke akun pengguna dengan cara mengekstrak kredensial dari citra tersebut ketika proses log in. Pengujian PSNR citra stego menghasilkan nilai rata-rata sebesar 52,52 dB. Pengujian kemampuan ekstraksi menunjukkan semua citra uji dapat diekstrak dengan tepat. Selain itu, metode otentikasi ini juga lebih tahan terhadap serangan yang umum dilakukan pada otentikasi menggunakan kata sandi.]]>
<![CDATA[Klasifikasi klon teh berbasis deep CNN dengan residual dan densely connections ]]>
<![CDATA[Ade Ramdan]]>;
<![CDATA[Vicky Zilvan]]>;
<![CDATA[Endang Suryawati]]>;
<![CDATA[Hilman F Pardede]]>;
<![CDATA[Vitria Puspitasari Rahadi]]>
<![CDATA[ Jurnal Teknologi dan Sistem Komputer Volume 8, Issue 4, Year 2020 (October 2020) ]]>
Publisher : <![CDATA[Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.14710/jtsiskom.2020.13768
<![CDATA[Klon-klon teh seri Gambung hasil pengembangan merupakan bahan tanaman unggul yang memiliki produksi dan kualitas tinggi untuk meningkatkan produk teh di Indonesia. Perkebunan rakyat biasanya menanam klon-klon tersebut dalam satu area kebun yang sama sehingga sulit memprediksi kualitas produk teh yang dihasilkan. Akan sangat membantu apabila area pada kebun tersebut diidentifikasi berdasarkan jenis klon yang ditanam. Namun, klon teh tersebut memiliki banyak kemiripan sehingga sulit bagi non pakar melakukan identifikasi untuk penyediaan dan penanaman bahan tanam pada perkebunan yang memiliki area sangat luas. Kajian ini mengusulkan sistem identifikasi klon teh berbasis deep CNN dengan menerapkan metode skip connection, yaitu residual connections dan densely connections. Studi menunjukkan bahwa kinerja sistem dipengaruhi oleh pengaturan hyperparameter dan metode penggabungan peta fitur yang diperkenalkan kembali ke lapisan berikutnya melalui koneksi, dimana metode concatenation pada densely connected network dapat mencapai performa yang lebih baik dibandingkan metode penjumlahan pada residual connected networks.]]>
<![CDATA[Peramalan kekuatan gerak tangan menggunakan Extreme Learning Machine untuk terapi pasca-stroke ]]>
<![CDATA[Khairul Anam]]>;
<![CDATA[Ali Rizal Chaidir]]>;
<![CDATA[Fahrul Isman]]>
<![CDATA[ Jurnal Teknologi dan Sistem Komputer Volume 9, Issue 2, Year 2021 (April 2021) ]]>
Publisher : <![CDATA[Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.14710/jtsiskom.2021.13844
<![CDATA[Stroke atau Cerebrovascular Accident (CVA) dapat menyebabkan kelemahan pada salah satu bagian sisi tubuh termasuk anggota gerak atas, seperti tangan, sehingga diperlukan rehabilitasi untuk mengembalikan fungsi dari tangan. Rehabilitasi yang dilakukan sebaiknya juga dapat mengukur kekuatan dari gerakan yang dilakukan. Artikel ini bertujuan untuk melakukan peramalan kekuatan gerakan berdasarkan sinyal Electromyography (EMG) menggunakan metode Extreme Learning Machine (ELM). Tahapan yang dilakukan meliputi pengumpulan data sinyal EMG dan kekuatan gerakan, pre-processing data dan ekstraksi fitur data menggunakan berbagai fitur ekstraksi, penerapan ELM untuk peramalan kekuatan berdasarkan sinyal EMG, dan penerapan model yang dibuat pada robot terapi stroke. Evaluasi model peramalan dilakukan dengan mengukur Mean Squared Error (MSE). Nilai rata-rata MSE terbaik pada pengujian offline adalah 1,77, sedangkan pada pengujian real-time sebesar 0,79. Nilai MSE yang kecil menunjukkan bahwa model yang dibuat sudah cukup baik. Pergerakan robot berdasarkan nilai kekuatan yang dilakukan sudah dapat bergerak dengan baik.]]>
<![CDATA[Real-time currency recognition on video using AKAZE algorithm ]]>
<![CDATA[Faisal Dharma Adhinata]]>;
<![CDATA[Rifki Adhitama]]>;
<![CDATA[Alon Jala Tirta Segara]]>
<![CDATA[ Jurnal Teknologi dan Sistem Komputer Volume 9, Issue 4, Year 2021 (October 2021) ]]>
Publisher : <![CDATA[Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.14710/jtsiskom.2021.13970
<![CDATA[Currency recognition is one of the essential things since everyone in any country must know money. Therefore, computer vision has been developed to recognize currency. One of the currency recognition uses the SIFT algorithm. The recognition results are very accurate, but the processing takes a considerable amount of time, making it impossible to run for real-time data such as video. AKAZE algorithm has been developed for real-time data processing because of its fast computation time to process video data frames. This study proposes the faster real-time currency recognition system on video using the AKAZE algorithm. The purpose of this study is to compare the SIFT and AKAZE algorithms related to a real-time video data processing to determine the value of F1 and its speed. Based on the experimental results, the AKAZE algorithm is resulting F1 value of 0.97, and the processing speed on each video frame is 0.251 seconds. Then at the same video resolution, the SIFT algorithm results in an F1 value of 0.65 and a speed of 0.305 seconds to process one frame. These results show that the AKAZE algorithm is faster and more accurate in processing video data.]]>
<![CDATA[Algoritme decision tree untuk mendeteksi ujaran kebencian dan bahasa kasar multilabel pada Twitter berbahasa Indonesia ]]>
<![CDATA[Fauzi Ihsan]]>;
<![CDATA[Iwan Iskandar]]>;
<![CDATA[Nazruddin Safaat Harahap]]>;
<![CDATA[Surya Agustian]]>
<![CDATA[ Jurnal Teknologi dan Sistem Komputer Volume 9, Issue 4, Year 2021 (October 2021) ]]>
Publisher : <![CDATA[Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.14710/jtsiskom.2021.13907
<![CDATA[Ujaran kebencian dan bahasa kasar mudah ditemukan di dalam komunikasi tertulis di media sosial seperti Twitter, yang dapat memicu terjadinya persengketaan di antara korban dan pengujarnya. Bagaimanapun, akan sulit memeriksa apakah suatu twit mengandung ujaran kebencian dan/atau bahasa kasar bila seseorang berpihak. Penelitian ini bertujuan untuk membangun sistem untuk mengklasifikasi twit apakah mengandung ujaran kebencian dan kata-kata kasar. Apabila terdeteksi mengandung ujaran kebencian, maka level ujaran kebenciannya diukur. Dataset yang digunakan terdiri dari 13.126 twit asli dari Twitter. Word embedding digunakan untuk fitur dari teks. Algoritme Decision Tree digunakan untuk klasifikasi. Rekayasa fitur dan pengaturan parameter menunjukkan peningkatan performa deteksi. Fitur leksikon di klasifikasi Decision Tree menghasilkan akurasi tertinggi untuk deteksi ketiga kelas, yaitu kelas ujaran kebencian, kata-kata kasar dan level ujaran kebencian, daripada rekayasa fitur khusus dan fitur tekstual. Rata-rata akurasi dari ketiga kelas meningkat dari 69,77 % menjadi 70,48 % untuk komposisi data latih-uji 90:10, dan dari 69,35 % menjadi 69,54 % untuk komposisi 80:20.]]>
<![CDATA[Malicious URLs detection using data streaming algorithms ]]>
<![CDATA[Kayode Sakariyah Adewole]]>;
<![CDATA[Muiz Olalekan Raheem]]>;
<![CDATA[Muyideen Abdulraheem]]>;
<![CDATA[Idowu Dauda Oladipo]]>;
<![CDATA[Abdullateef Oluwagbemiga Balogun]]>;
<![CDATA[Omotola Fatimah Baker]]>
<![CDATA[ Jurnal Teknologi dan Sistem Komputer Volume 9, Issue 4, Year 2021 (October 2021) ]]>
Publisher : <![CDATA[Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.14710/jtsiskom.2021.13965
<![CDATA[As a result of advancements in technology and technological devices, data is now spawned at an infinite rate, emanating from a vast array of networks, devices, and daily operations like credit card transactions and mobile phones. Datastream entails sequential and real-time continuous data in the inform of evolving stream. However, the traditional machine learning approach is characterized by a batch learning model. Labeled training data are given apriori to train a model based on some machine learning algorithms. This technique necessitates the entire training sample to be readily accessible before the learning process. The training procedure is mainly done offline in this setting due to the high training cost. Consequently, the traditional batch learning technique suffers severe drawbacks, such as poor scalability for real-time phishing websites detection. The model mostly requires re-training from scratch using new training samples. This paper presents the application of streaming algorithms for detecting malicious URLs based on selected online learners: Hoeffding Tree (HT), Naïve Bayes (NB), and Ozabag. Ozabag produced promising results in terms of accuracy, Kappa and Kappa Temp on the dataset with large samples while HT and NB have the least prediction time with comparable accuracy and Kappa with Ozabag algorithm for the real-time detection of phishing websites.]]>
<![CDATA[Data scaling performance on various machine learning algorithms to identify abalone sex ]]>
<![CDATA[Willdan Aprizal Arifin]]>;
<![CDATA[Ishak Ariawan]]>;
<![CDATA[Ayang Armelita Rosalia]]>;
<![CDATA[Lukman Lukman]]>;
<![CDATA[Nabila Tufailah]]>
<![CDATA[ Jurnal Teknologi dan Sistem Komputer Volume 10, Issue 1, Year 2022 (January 2022) ]]>
Publisher : <![CDATA[Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.14710/jtsiskom.2021.14105
<![CDATA[This study aims to analyze the performance of machine learning algorithms with the data scaling process to show the method's effectiveness. It uses min-max (normalization) and zero-mean (standardization) data scaling techniques in the abalone dataset. The stages carried out in this study included data normalization on the data of abalone physical measurement features. The model evaluation was carried out using k-fold cross-validation with the number of k-fold 10. Abalone datasets were normalized in machine learning algorithms: Random Forest, Naïve Bayesian, Decision Tree, and SVM (RBF kernels and linear kernels). The eight features of the abalone dataset show that machine learning algorithms did not too influence data scaling. There is an increase in the performance of SVM, while Random Forest decreases when the abalone dataset is applied to data scaling. Random Forest has the highest average balanced accuracy (74.87%) without data scaling.]]>
<![CDATA[Optimasi SVM menggunakan algoritme grid search untuk identifikasi citra biji kopi robusta berdasarkan circularity dan eccentricity ]]>
<![CDATA[Herlin Apriani]]>;
<![CDATA[Jajam Haerul Jaman]]>;
<![CDATA[Riza Ibnu Adam]]>
<![CDATA[ Jurnal Teknologi dan Sistem Komputer Volume 10, Issue 1, Year 2022 (January 2022) ]]>
Publisher : <![CDATA[Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.14710/jtsiskom.2021.13807
<![CDATA[Varietas kopi merupakan salah satu faktor utama yang mempengaruhi kualitas dan harga kopi, sehingga penting untuk mengenali varietas kopi. Kajian ini bertujuan untuk optimasi pengenalan citra biji kopi robusta berdasarkan fitur circularity dan eccentricity menggunakan support vector machine (SVM) dan algoritme grid search. Metode yang digunakan terdiri dari, akusisi citra, preprocessing, ekstraksi fitur, klasifikasi, dan evaluasi. Circularity dan eccentricity digunakan dalam proses ekstraksi fitur, Sedangkan algoritme grid search digunakan untuk optimasi parameter SVM dalam proses klasifikasi pada 4 kernel berbeda. Kajian ini menghasilkan model klasifikasi terbaik dengan akurasi tertinggi sebesar 94% pada kernel RBF dan Polynomial.]]>
