cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
irfan habibie
Contact Email
irfanhabibie@uika-bogor.ac.id
Phone
-
Journal Mail Official
gibtha@uika-bogor.ac.id
Editorial Address
-
Location
Kota bogor,
Jawa barat
INDONESIA
Krea-TIF: Jurnal Teknik Informatika
Published by Universitas Ibn Khaldun Bogor
ISSN : 23382910     EISSN : 26855836     DOI : -
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering Library & Information Science
Jurnal Krea-TIF adalah jurnal ilmiah dalam teknologi informasi yang berisi literatur ilmiah mengenai penelitian murni dan terapan dalam teknologi informasi dan tinjauan publik mengenai pengembangan teori, metode dan ilmu terapan yang terkait dengan subjek.
Arjuna Subject : -
Articles 5 Documents
 1 
Search results for , issue "Vol 12 No 1 (2024): Krea-TIF 2024" : 5 Documents clear
Implementasi Algoritma Cosine Similarity dan TF-IDF dalam Menentukan Rumpun Jabatan Saputra, Rangga; Jayanta; Galih Pradana, Musthofa
Krea-TIF: Jurnal Teknik Informatika Vol 12 No 1 (2024): Krea-TIF 2024
Publisher : Fakultas Teknik dan Sains, Universitas Ibn Khaldun Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pada tahun 2019, sebuah instansi pemerintah memperkenalkan sistem rumpun jabatan untuk meningkatkan efisiensi dalam penugasan jabatan pegawai. Namun, tantangan muncul ketika data pegawai tahun sebelumnya tidak memiliki klasifikasi rumpun jabatan, dan data yang tersedia berupa teks dalam jumlah besar. Dikarenakan jumlah pegawai yang banyak, informasi yang melimpah, dan data yang dikelola merupakan data teks dalam jumlah yang besar. Proses pengklasifikasian manual menjadi tidak efisien. Untuk mengatasi permasalahan ini, diperlukan metode bantu yang dapat memproses data dengan cepat dan akurat. Salah satu pendekatan yang digunakan adalah Cosine Similarity menggunakan metode TF-IDF. Evaluasi hasil menunjukkan bahwa metode ini memberikan rata – rata precision sebesar 74%. Lebih rinci, nilai precision untuk keluarga jabatan dan fungsi secara berurutan mencapai 89% dan 81%. Namun, dalam mengklasifikasikan peran, tingkat precision yang dihasilkan rendah sebesar 52%.
Analisis Kinerja Web Server Menggunakan Load Balancing dengan Metode Source Hash Scheduling dan URI Reno Saputra Elsi, Zulhipni; Alamsyah, Dedy; Jusmawati, Jusmawati; Nurhayati, Nurhayati
Krea-TIF: Jurnal Teknik Informatika Vol 12 No 1 (2024): Krea-TIF 2024
Publisher : Fakultas Teknik dan Sains, Universitas Ibn Khaldun Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32832/krea-tif.v12i1.15964

Abstract

Dengan pesatnya pertumbuhan internet saat ini, terjadi peningkatan signifikan dalam akses pengguna yang terkoneksi. Fenomena ini berdampak langsung pada kebutuhan mesin penyedia layanan, terutama pada server web. Penelitian ini bertujuan untuk menganalisis kinerja web server melalui implementasi strategi load balancing menggunakan dua algoritma berbeda yakni Source Hash Scheduling dan URI (Uniform Resource Identifier). Load balancing diuji untuk menentukan efektivitasnya dalam mengoptimalkan response time. Data yang dikumpulkan dari pengujian menunjukkan hasil rata-rata response time dalam milidetik untuk berbagai tingkat koneksi, mulai dari 100/100 hingga 5000/500. Hasil pengujian menunjukkan bahwa pada tingkat koneksi 1000/100, algoritma Source Hash Scheduling memiliki response time rata-rata sebesar 2.96 ms, sedangkan algoritma URI menunjukkan response time rata-rata sebesar 3.1 ms. Seiring dengan peningkatan jumlah koneksi, keduanya menunjukkan variasi performa dengan algoritma Source Hash Scheduling cenderung memberikan response time yang lebih rendah pada koneksi yang lebih tinggi, sementara algoritma URI menunjukkan kenaikan response time yang lebih stabil. Analisis ini memberikan wawasan penting mengenai seleksi algoritma load balancing untuk optimalisasi response time, yang krusial dalam meningkatkan kepuasan pengguna web server.
Strategi Ensemble Deep Learning pada Global Multi-Scale dan Local Attention Features pada Pengenalan Ekspresi Wajah Santoni, Mayanda Mega; Chamidah, Nurul; Prasvita, Desta Sandya
Krea-TIF: Jurnal Teknik Informatika Vol 12 No 1 (2024): Krea-TIF 2024
Publisher : Fakultas Teknik dan Sains, Universitas Ibn Khaldun Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Social signal processing (SSP) merupakan bidang riset dan teknologi yang bertujuan untuk memberikan kemampuan kepada komputer untuk merasakan dan memahami sinyal sosial manusia, termasuk ekspresi wajah sebagai salah satu sinyal sosial yang kuat dalam komunikasi manusia. Dataset RAF-DB (the Real-world Affective Faces Database). Dataset ini terdiri dari tujuh kelas emosi dasar yakni anger, disgust, fear, happiness, neutral, sadness, dan surprise. Metode Global Multi-Scale and Local Attention Network (MA-Net) merupakan salah satu metode yang digunakan untuk pengenalan ekspresi wajah secara otomatis. Performa metode MA-Net pada dataset RAF-DB menghasilkan akurasi tertinggi dibandingkan penelitian sebelumnya yakni sebesar 88.40%. Walaupun telah menghasilkan akurasi yang cukup tinggi, namun metode MA-Net masih memiliki beberapa keterbatasan dalam memprediksi ekspresi wajah. Metode MA-Net kurang bisa mengenali data gambar yang memiliki masalah noise. Penelitian ini dilakukan untuk mengatasi permasalahan tersebut dengan mengusulkan strategi ensemble deep learning untuk meningkatkan performa dari metode MA-Net. Pada ensemble learning terdapat beberapa jenis fungsi agregasi, yaitu voting dan meta-learning. Hasil temuan dari penelitian ini bahwa penggunaan strategi ensemble learning khususnya pada penggunaan fungsi agregasi meta-learner atau stacking ensemble learning dapat meningkatkan performa evaluasi klasifikasi secara keseluruhan maupun pada masing-masing kelas. Penelitian lanjutan dari hasil ialah dapat  mengeksplorasi teknik-teknik machine learning yang lainnya seperti transfer learning untuk meningkatkan akurasi dan generalisasi dalam pengenalan ekspresi wajah.
Deteksi Status Gizi Balita Menggunakan Forward Chaining Berbasis Mikrokontroler yang Terintegrasi Telegram Suhartini, Dini; Rahma, Yunita; Karlitasari, Lita; Ramadhani, Sansan
Krea-TIF: Jurnal Teknik Informatika Vol 12 No 1 (2024): Krea-TIF 2024
Publisher : Fakultas Teknik dan Sains, Universitas Ibn Khaldun Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32832/krea-tif.v12i1.16012

Abstract

Hasil Survei Status Gizi Indonesia (SSGI) tahun 2022 terdapat 21,6% balita terkena stunting dengan 17,1% gizi kurang, dan 3,5% gizi lebih. Kader posyandu dalam mendeteksi status gizi balita dilakukan dengan mengukur berat badan dan panjang badan, kemudian data tersebut dimasukkan dalam Buku Kesehatan Ibu dan Anak kemudian dihitung hasilnya disesuaikan dengan tabel Z-Score. Hal tersebut tidak otomatis sehingga tidak cepat terdeteksi. Tujuan penelitian yaitu mengoptimalkan kinerja mikrokontroler dengan menerapkan metode Forward Chaining yang hasilnya akan ditampilkan pada aplikasi telegram. Tahapan metode penelitian  terdiri dari perancangan hardware, perancangan software, ujicoba keseluruhan, pengambilan data, dan analisis data. Metode Forward Chaining untuk pengolahan data digunakan pada tahapan software design. Penelitian ini dapat membantu kader posyandu dalam mengukur panjang badan dan berat badan menggunakan sensor Ultrasonik untuk mengukur panjang badan dan pengukuran berat badan menggunakan Load cell, data tersebut akan masuk ke mikrokontroler Arduino dan diolah menggunakan Forward Chaining, hasil dari status gizi balita secara cepat dan akurat tampil di aplikasi Telegram. Hasil ujicoba dengan pengukuran dinyatakan status gizi BB/U 80% anak normal, TB/U 90% normal, BB/TB 80% gizi baik. Alat yang digunakan memiliki tingkat akurasi lebih besar dari 97%. Mikrokontroler sudah berfungsi dan terintegrasi dengan baik ke Telegram dengan status gizi yang sesuai dengan Z-Score. Hasil penelitian ini memberikan solusi inovatif dalam mendeteksi status gizi balita menggunakan teknologi mikrokontroler yang terintegrasi dengan platform Telegram. Sistem ini memungkinkan deteksi gizi secara cepat dan akurat, serta mempermudah akses informasi bagi orang tua atau tenaga kesehatan melalui aplikasi yang familiar.
Perbandingan Metode Long Short-Term Memory dan Double Random Forest dalam Prediksi Harga Penutupan Saham ZIKRI, MUHAMMAD; Riana, Freza; Laxmi, Gibtha Fitri
Krea-TIF: Jurnal Teknik Informatika Vol 12 No 1 (2024): Krea-TIF 2024
Publisher : Fakultas Teknik dan Sains, Universitas Ibn Khaldun Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32832/krea-tif.v12i1.17468

Abstract

Long Short-Term Memory (LSTM) merupakan bagian dari Recurrent Neural Network (RNN) yang memiliki keunggulan dalam memproses data sekuensial dan mengenali pola serta ketergantungan dalam data berurutan, sementara Double Random Forest (DRF) adalah metode ensemble yang mampu menangkap pola yang kompleks dengan memanfaatkan pohon keputusan dari data pelatihan secara keseluruhan. Kedua metode ini dapat digunakan untuk melakukan forecasting, termasuk dalam kasus prediksi harga saham. Penelitian ini bertujuan untuk membandingkan metode LSTM dan DRF dalam konteks prediksi harga penutupan saham pada PT. Indofood Sukses Makmur, Tbk, menggunakan dataset berukuran 1.253 data yang akan dibagi menjadi 80% data latih dan 20% data uji. Eksperimen ini mencakup tiga skenario, yaitu penggunaan semua fitur yang tersedia, penggunaan fitur dengan korelasi linier positif tinggi, dan penggunaan fitur dengan korelasi linier rendah. Error metrics yang digunakan pada penelitian ini adalah RMSE, MAE, dan MAPE. Dari hasil penelitian prediksi harga penutupan PT. Indofood Sukses Makmur, Tbk diperoleh bahwa LSTM memiliki hasil yang lebih baik dibandingkan DRF dengan nilai RMSE (80.99), MAE (61.08), dan MAPE (0.94). Hasil dari riset ini diharapkan dapat memberikan kontribusi nyata dalam pengembangan sistem prediksi harga saham berbasis machine learning.

Page 1 of 1 | Total Record : 5

 1 

Filter by Year

2024 2024


Reset
Filter By Issues
All Issue Vol 13 No 1 (2025): Krea-TIF 2025 Vol 12 No 2 (2024): Krea-TIF 2024 Vol 12 No 1 (2024): Krea-TIF 2024 Vol 11 No 2 (2023) Vol 11 No 1 (2023) Vol 10 No 2 (2022) Vol 10 No 1 (2022) Vol 9 No 2 (2021) Vol 9 No 1 (2021) Vol 8 No 2 (2020) Vol 8 No 1 (2020) Vol 7 No 2 (2019) Vol 7 No 1 (2019) Vol 6 No 2 (2018) Vol 6 No 1 (2018) Vol 5 No 2 (2017) Vol 5 No 1 (2017) Vol 4 No 2 (2016) Vol 4 No 1 (2016) Vol 3 No 2 (2015) Vol 3 No 1 (2015) Vol 2 No 2 (2014) More Issue