cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Sanriomi Sintaro
Contact Email
techcartpress@gmail.com
Phone
+6282180318941
Journal Mail Official
jaiti.techcartpress@gmail.com
Editorial Address
Jalan Gatot Subroto No 47 LK I, Desa/Kelurahan Tanjunggading, Kec. Kedamaian, Kota Bandar Lampung, Provinsi Lampung, Indonesia
Location
Kota bandar lampung,
Lampung
INDONESIA
Journal of Artificial Intelligence and Technology Information
Published by Tech Cart Press
ISSN : 29855306     EISSN : 29856396     DOI : doi.org/10.58602/jaiti
Core Subject : Science, Engineering,
Computer Science & IT Engineering
Journal of Artificial Intelligence and Technology Information (JAITI) is a peer-review journal focusing on Artificial Intelligence and Technology Information issues. Journal of Artificial Intelligence and Technology Information (JAITI) invites academics and researchers who do original research in artificial intelligence and technology 1nfromation.Journal of Artificial Intelligence and Technology Information (JAITI) is published by Tech Cart Press in March, June, September, and December every year. Journal of Artificial Intelligence and Technology Information (JAITI) accept articles in Bahasa Indonesia and English.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 85 Documents
 5   6   7   8   9 
Pemilihan Fitur Berbasis Algoritma Metaheuristic untuk Meningkatkan Klasifikasi Tingkat Kesehatan Masyarakat di Pulau Jawa Khoirunnisa Afandi; M. Habibullah Arief; Muhammad Andryan Wahyu Saputra; Hikmatul Kamila
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 4 No. 2 (2026): Volume 4 Number 2 June 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v4i2.251

Abstract

Kompleksitas data kesehatan masyarakat di Pulau Jawa menuntut pemilihan fitur yang tepat agar model prediksi lebih akurat dan efisien. Penelitian ini bertujuan mengembangkan model prediksi tingkat kesehatan masyarakat dengan mengoptimalkan seleksi fitur menggunakan dua algoritma metaheuristik, yaitu Particle Swarm Optimization (PSO) dan Genetic Algorithm (GA). Dataset yang digunakan mencakup 16 indikator sosial, ekonomi, dan kesehatan dari 38 wilayah (29 kabupaten dan 9 kota) di Pulau Jawa tahun 2020. Model Random Forest diterapkan untuk mengevaluasi setiap subset fitur. Hasil menunjukkan bahwa PSO menghasilkan akurasi pengujian tertinggi sebesar 79,1% dengan memilih 7 fitur, mengungguli GA yang mencapai 78% dengan 10 fitur. Fitur-fitur yang secara konsisten terpilih dan berpengaruh signifikan adalah angka harapan hidup, rasio puskesmas, akses air minum layak, pemberian ASI eksklusif, balita gizi kurang, dan angka kesembuhan Covid-19. Temuan ini membuktikan bahwa PSO lebih efektif dalam seleksi fitur dan mampu memberikan dasar pengambilan kebijakan kesehatan berbasis data.
Implementasi Algoritma Fisher-Yates Shuffle pada Game Edukasi Pengenalan Buah dan Sayur Berbasis Android Muhammad Akhyarul Fanani; Ginanjar Setyo Permadi
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 4 No. 2 (2026): Volume 4 Number 2 June 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v4i2.252

Abstract

Pendidikan Anak Usia Dini (PAUD) merupakan masa keemasan yang krusial untuk stimulasi kognitif, termasuk pengenalan pola hidup sehat. Namun, pembelajaran di TK Darul Falah masih menggunakan metode konvensional yang monoton, sehingga menurunkan minat siswa dalam mengenal jenis buah dan sayuran. Banyak aplikasi edukasi yang tersedia saat ini memiliki kelemahan pada alur yang statis, sehingga anak cenderung menghafal urutan jawaban daripada memahami substansi materi. Penelitian ini bertujuan untuk mengembangkan game edukasi berbasis Android menggunakan metode Design Thinking yang meliputi tahap empathize, define, ideate, prototype, dan testing. Penelitian ini integrasi algoritma Fisher-Yates Shuffle untuk sistem pengacakan soal otomatis yang memastikan setiap sesi permainan memberikan tantangan dinamis dan permutasi urutan yang adil (unbiased). Hasil pengujian fungsional melalui Black-box testing menunjukkan seluruh fitur berjalan valid. Pengujian pengalaman pengguna menggunakan System Usability Scale (SUS) menghasilkan skor rata-rata 91,59, yang menempatkan aplikasi pada kategori Acceptable dengan predikat Best Imaginable. Dapat disimpulkan bahwa penerapan algoritma Fisher-Yates Shuffle efektif mengatasi pola hafalan pada anak dan layak digunakan sebagai media pembelajaran interaktif yang adaptif.
Penerapan Metode K-Means Clustering dan Principal Component Analysis (PCA) untuk Pengelompokan Provinsi di Indonesia Berdasarkan Indikator Pendidikan Clinton Lumbantoruan; Dyah Ayu Megawaty
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 4 No. 2 (2026): Volume 4 Number 2 June 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v4i2.256

Abstract

Penelitian ini bertujuan untuk mengategorikan provinsi-provinsi di Indonesia berdasarkan indikator-indikator pendidikan, dengan harapan memberikan gambaran menyeluruh dan berbasis data mengenai kondisi pendidikan. Latar belakang studi ini beranjak dari adanya kesenjangan tingkat pendidikan di berbagai wilayah yang membutuhkan analisis mendalam dengan pendekatan data mining. Data yang digunakan diperoleh dari Badan Pusat Statistik (BPS) yang mencakup sejumlah indikator pendidikan, seperti rata-rata lama bersekolah, angka partisipasi kasar (APK), angka partisipasi murni (APM), angka partisipasi sekolahan (APS), serta persentase penduduk yang tidak pernah atau belum mengenyam pendidikan. Pendekatan yang diterapkan dalam penelitian ini adalah Principal Component Analysis (PCA) untuk reduksi dimensi dan K-Means Clustering untuk pengelompokan data. Langkah-langkah penelitian mencakup preprocessing data, normalisasi dengan menggunakan StandardScaler, reduksi dimensi melalui PCA, dan clustering dengan K-Means. Temuan dari penelitian ini menunjukkan bahwa dua komponen utama dari PCA mampu menerangkan hingga 79% variasi dalam data, sehingga bermanfaat dalam menyederhanakan dataset yang ada. Proses pengelompokan menghasilkan tiga kelompok provinsi dengan karakteristik pendidikan yang bervariasi, yaitu kategori tinggi, menengah, dan rendah. Penilaian menggunakan silhouette score mengindikasikan bahwa model ini memiliki kualitas pengelompokan yang baik. Temuan dari penelitian ini diharapkan dapat memberikan kontribusi dalam membantu pengambilan kebijakan pendidikan yang lebih tepat serta menjadi landasan untuk penelitian selanjutnya dengan menambahkan variabel yang lebih luas.
Sistem Rekomendasi Parfum Lokal Berbasis Web Menggunakan Content-Based Filtering dan Cosine Similarity Mochamad Wahyu Sultan Fatahila; Tanhella Zein Vitadiar
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 4 No. 2 (2026): Volume 4 Number 2 June 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v4i2.257

Abstract

Industri parfum lokal saat ini mengalami pertumbuhan yang pesat, namun pada praktiknya hal ini memicu fenomena information overload bagi konsumen yang sering kesulitan membedakan varian aroma karena proses pemilihan di platform digital masih bergantung pada deskripsi tekstual yang kurang interaktif dan belum menyediakan pencocokan preferensi secara personal. Penelitian ini bertujuan mengembangkan sistem rekomendasi parfum lokal berbasis web yang mengintegrasikan metode Content-Based Filtering dengan teknik pembobotan Term Frequency-Inverse Document Frequency (TF-IDF) dan algoritma Cosine Similarity untuk menilai kemiripan kriteria pengguna terhadap target produk dalam basis data. Metode penelitian menggunakan pendekatan pengembangan perangkat lunak yang mencakup identifikasi masalah, studi literatur, pengumpulan data, perancangan sistem, implementasi, dan pengujian. Perancangan sistem dilakukan menggunakan flowchart, use case diagram, dan entity relationship diagram. Sistem memproses masukan kriteria dari pengguna meliputi aroma, occasion, gender, harga, dan konsentrasi, mengekstraksinya menjadi vektor bobot, lalu menghitung nilai jarak (similarity) untuk menghasilkan klasifikasi peringkat produk. Hasil pengujian menunjukkan bahwa aplikasi mampu menjalankan fungsi utama pencarian, menampilkan katalog, menerima input preferensi, dan memberikan umpan balik rekomendasi otomatis secara akurat. Pengujian presisi terhadap 20 sampel skenario pencarian menunjukkan 17 data relevan (True Positive) dan 3 data tidak relevan (False Positive), dengan tingkat akurasi sistem sebesar 85%. Temuan ini menunjukkan bahwa kombinasi TF-IDF dan Cosine Similarity layak diterapkan sebagai mesin rekomendasi interaktif untuk membantu konsumen memilih parfum secara lebih mandiri, terukur, dan akurat, serta meminimalisir risiko kesalahan pembelian (blind buy).
Automatic Dewey Decimal Classification of Indonesian Book Metadata Using IndoBERT with Weighted Loss and Context Enhancement Joko Purwanto; Fajar Mahardika; Adlan Nugroho
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 4 No. 2 (2026): Volume 4 Number 2 June 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v4i2.258

Abstract

This study proposes an automatic Dewey Decimal Classification (DDC) classification framework for Indonesian book metadata by integrating the IndoBERT model strengthened through weighted loss and context enhancement mechanisms. The current escalation of digital book collections poses significant challenges in classification efficiency and information retrieval, while the manual DDC classification process still relies on librarian expertise and is relatively time-consuming. The dataset used includes 2,516 book metadata obtained through the Google Books API and mapped into 14 DDC categories. The context enhancement strategy is implemented by integrating book titles and descriptions into a single text representation, while weighted cross-entropy loss, random oversampling, and simple data augmentation techniques are applied to address class imbalance issues. Model performance is evaluated based on accuracy, precision, recall, and F1-score metrics. Experimental results show that the proposed approach achieves an accuracy of 90.14% and a weighted F1-score of 90.15%, outperforming the baseline IndoBERT model, which only achieved an accuracy of 47.82% and a weighted F1-score of 47.06%. These findings indicate that the combination of weighted loss and contextual text representation can improve the semantic understanding of book metadata while reducing bias towards the majority class in Transformer-based DDC classification.
Comparative Analysis of Hybrid ARIMA-LSTM against Statistical and Machine Learning Benchmarks for Commodity Stock Muhammad Iszul Wilsa; Heru Purnomo Kurniawan; Rizki Dewantara; Dinda Febrihastatiwi; Indri Setiawati
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 4 No. 2 (2026): Volume 4 Number 2 June 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v4i2.260

Abstract

Predicting stock prices in Indonesia’s commodities and energy sectors is a complex challenge due to high volatility influenced by global market dynamics and macroeconomic factors. This study aims to test the robustness of the ARIMA-LSTM hybrid model in predicting closing stock prices for six major issuers: ADRO, PTBA, MEDC, ANTM, MDKA, and AALI. The proposed approach employs a dual-input strategy that integrates 27 technical indicators with the linear residuals from the ARIMA model. The research methodology begins with data decomposition using the ARIMA model to capture linear components, followed by modeling the residuals using Long Short-Term Memory (LSTM) to capture complex non-linear patterns. The experimental results show that the hybrid model consistently delivers the best performance compared to single models such as ARIMA, Random Forest, and Single LSTM across all test datasets. In the 1-step-ahead scenario, the hybrid model achieved the lowest average MAPE of 2.20%, while in the 5-step-ahead scenario, the error rate remained at 3.98%. A key finding of this research is the hybrid architecture’s ability to mitigate the extreme overfitting experienced by the Single LSTM model, while providing better prediction stability against variations in issuer characteristics. This study concludes that the integration of statistical decomposition and deep learning provides a reliable framework for investors and analysts to make data-driven decisions amid the volatile fluctuations of the Indonesian capital market.
Development of a Web-Based First-Person Game of the Legend of Toar and Lumimuut Using Three.js Delon Daniel Wolayan; Benny Pinontoan; Edwin Tenda; Stephano Caesar Wenston Ngangi; Mahardika Inra Takaendengan; Dodisutarma Lapihu
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 4 No. 2 (2026): Volume 4 Number 2 June 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v4i2.261

Abstract

The legend of Toar and Lumimuut is a foundational Minahasan narrative that is increasingly unfamiliar to younger digital audiences. This research develops Toar & Lumimuut: Legend of Minahasa, a browser-based first-person puzzle adventure game that adapts the legend into an interactive 3D experience using Three.js. The study applied an iterative Game Development Life Cycle consisting of initialization, pre-production, production, alpha testing, beta testing, and release. The game contains two narrative levels: the Coast of Mount Wulur Mahatus and Mount Lolombulan. Each level integrates puzzle mechanics with story progression, including sacred torch activation, stone pillar sequencing, prophecy fragment ordering, sacred seed planting, and eternal flame activation. Technical implementation includes procedural terrain generated with Perlin noise, animated GLB characters and props, an NPC dialogue and quest system, inventory management, bilingual English-Indonesian text support, and browser-based deployment without installation. Functional validation used black box testing with 68 test cases covering movement, interface controls, dialogue, puzzles, timers, game-over states, and level transitions. All test cases passed, producing a 100% functional success rate. User acceptance testing with 15 respondents aged 19 to 21 produced an overall score of 84.44%, categorized as very good. Compatibility testing on Google Chrome, Mozilla Firefox, and Microsoft Edge showed that the game remained playable across three laptops without dedicated GPUs. The results indicate that Three.js can support accessible cultural game development while preserving local folklore through meaningful interactive gameplay.
Klasifikasi Serangan Web Berdasarkan Log Web Application Firewall (WAF) Menggunakan Support Vector Machine (SVM) Nuroji Nuroji; Tirta Anhari
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 4 No. 2 (2026): Volume 4 Number 2 June 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v4i2.262

Abstract

Pertumbuhan aplikasi web yang semakin pesat turut meningkatkan risiko ancaman keamanan siber terhadap layanan berbasis internet. Berbagai jenis serangan seperti SQL Injection (SQLi) dan Cross-Site Scripting (XSS) masih menjadi ancaman utama yang dapat mengganggu keamanan maupun ketersediaan sistem web. Penelitian ini bertujuan menerapkan pendekatan machine learning untuk melakukan klasifikasi serangan web menggunakan data log dari Web Application Firewall (WAF) berbasis ModSecurity. Data penelitian diperoleh dari audit log ModSecurity dalam format JSON yang berisi aktivitas request dan response pada web server. Tahapan penelitian meliputi pengumpulan data, preprocessing, ekstraksi fitur, labeling, feature engineering menggunakan TF-IDF, pembagian dataset dengan train-test split, pemodelan menggunakan algoritma Support Vector Machine (SVM), serta evaluasi performa model menggunakan confusion matrix, accuracy, precision, recall, dan F1-score. Dataset yang digunakan terdiri atas 3467 data traffic web dengan kategori SQL Injection, XSS, dan Normal. Berdasarkan hasil pengujian, model SVM mampu menghasilkan tingkat akurasi sebesar 94,52% dalam proses klasifikasi traffic web. Model menunjukkan performa sangat baik pada pendeteksian serangan SQL Injection dengan recall sebesar 1,00 dan nilai F1-score sebesar 0,97. Akan tetapi, performa pada kategori Normal masih relatif rendah karena distribusi data yang tidak seimbang. Hasil penelitian menunjukkan bahwa analisis log ModSecurity yang dipadukan dengan machine learning dapat dimanfaatkan sebagai pendekatan alternatif untuk mendukung deteksi serangan web secara otomatis.
Web-based E-Commerce Application for MSME in Manado Gabriell Cristiano Agung Taroreh; Benny Pinontoan; Edwin Tenda; Christian Soewoeh; Wisard Kalengkongan; Dodisutarma Lapihu
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 4 No. 2 (2026): Volume 4 Number 2 June 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v4i2.263

Abstract

Digital transformation has opened new opportunities for Micro, Small, and Medium Enterprises (MSMEs) in Manado City to increase market reach and strengthen business competitiveness through online transactions. However, many local MSMEs still have limited access to independent digital platforms, while existing e-commerce systems do not always provide the flexibility needed to handle both physical products and service-based offerings in a localized context. This study aims to design and implement a web-based MSME marketplace for Manado City using the Waterfall software development method. The system was developed with a decoupled architecture consisting of Next.js as the frontend framework, Strapi Headless CMS for backend management, and PostgreSQL as the database. The main features include seller store registration, product and service catalog management, dynamic product variants, map-based location pinning, Live Commerce, Midtrans payment gateway integration, order tracking, and accessibility support. System evaluation was conducted using Black-Box Testing and User Acceptance Testing (UAT) with a five-point Likert scale involving buyer and seller respondents. The Black-Box Testing results show that all tested features functioned as expected. The UAT results produced an average acceptance rate of 89.88% from buyers and 91.38% from sellers. These results indicate that the proposed marketplace is functional, practical, and well accepted by users, making it a suitable digitalization solution for supporting MSMEs in Manado City.
Optimasi Metode Klasifikasi dengan Particle Swarm Optimization (PSO) dan Perbandingan Split Data untuk Prediksi Penyakit Diabetes Elly Muningsih; Sutrisno Sutrisno; Vembria Rose Handayani; Cindyra Galuhwardani
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 4 No. 2 (2026): Volume 4 Number 2 June 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v4i2.266

Abstract

Diabetes merupakan suatu penyakit menahun (kronis) berupa gangguan metabolis yang ditandai dengan kadar gula darah yang melebihi batas normal. Prediksi awal penyakit Diabetes menjadi sesuatu yang penting agar tidak menjadi ancaman serius bagi penderitanya. Penelitian ini akan melakukan optimasi metode Machine Learning dengan reduksi fitur Particle Swarm Optimazation (PSO) dan perbandingan dataset training dan dataset testing untuk menemukan metode dengan performance terbaik dalam prediksi penyakit Diabetes. Metode Machine Learning yang dimaksud adalah metode klasifikasi Decision Tree (DT), Iterative Dichotomiser 3 (ID3), Random Forest (RF), Support Vector System (SVM), Naïve Bayes (NB), K-Nearest Neighbor (KNN) dan Neural Network (NN). Komparasi dilakukan dengan cara pada tiap matode, dataset yang digunakan dibagi menjadi data training dan data testing (validasi) dengan perbandingan 70:30, 80:20 dan 90:10. Pengukuran dengan cara tiap perbandingan dilihat nilai akurasi dan nilai AUC (kurva ROC) tertinggi pada data testing untuk menemukan performance terbaik. Dari olah data yang dilakukan diketahui untuk nilai Akurasi perbandingan data 70:30 metode DT, ID3 dan RF yang menghasilkan nilai tertinggi sama yaitu 96,79%. Untuk perbandingan 80:20 metode DT dan ID3 menghasilkan nilai tertinggi yaitu 97,12%. Dan perbandingan 90:10, metode ID3 menghasilkan nilai tertinggi yaitu 96,19%. Untuk nilai AUC metode RF menghasilkan nilai tertinggi untuk 3 perbandingan yaitu 0,995; 0,995 dan 0,998. Selanjutnya diketahui bahwa metode RF dan NN menjadi metode yang paling stabil dalam pengolahan menggunakan split data 70:30, 80:20 dan 90:10 ditinjau dari nilai akurasi dan nilai AUC.

Page 8 of 9 | Total Record : 85

 5   6   7   8   9 

Filter by Year

2023 2026


Reset
Filter By Issues
All Issue Vol. 4 No. 2 (2026): Volume 4 Number 2 June 2026 Vol. 4 No. 1 (2026): Volume 4 Number 1 March 2026 Vol. 3 No. 4 (2025): Volume 3 Number 4 December 2025 Vol. 3 No. 3 (2025): Volume 3 Number 3 September 2025 Vol. 3 No. 2 (2025): Volume 3 Number 2 June 2025 Vol. 3 No. 1 (2025): Volume 3 Number 1 March 2025 Vol. 2 No. 4 (2024): Volume 2 Number 4 December 2024 Vol. 2 No. 3 (2024): Volume 2 Number 3 September 2024 Vol. 2 No. 2 (2024): Volume 2 Number 2 June 2024 Vol. 2 No. 1 (2024): Volume 2 Number 1 March 2024 Vol. 1 No. 4 (2023): Volume 1 Number 4 December 2023 Vol. 1 No. 3 (2023): Volume 1 Number 3 September 2023 Vol. 1 No. 2 (2023): Volume 1 Number 2 June 2023 Vol. 1 No. 1 (2023): Volume 1 Number 1 March 2023 More Issue