cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Agung Setia Budi
Contact Email
agungsetiabudi@ub.ac.id
Phone
+62341-577911
Journal Mail Official
jtiik@ub.ac.id
Editorial Address
Fakultas Ilmu Komputer Universitas Brawijaya Gedung F FILKOM Lt. 8, Ruang BPJ Jalan Veteran No. 8 Malang Indonesia - 65145
Location
Kota malang,
Jawa timur
INDONESIA
Jurnal Teknologi Informasi dan Ilmu Komputer
Published by Universitas Brawijaya
ISSN : 23557699     EISSN : 25286579     DOI : http://dx.doi.org/10.25126/jtiik
Core Subject : Science, Engineering,
Computer Science & IT Engineering
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) merupakan jurnal nasional yang diterbitkan oleh Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya (UB), Malang sejak tahun 2014. JTIIK memuat artikel hasil-hasil penelitian di bidang Teknologi Informasi dan Ilmu Komputer. JTIIK berkomitmen untuk menjadi jurnal nasional terbaik dengan mempublikasikan artikel berbahasa Indonesia yang berkualitas dan menjadi rujukan utama para peneliti. JTIIK di akreditasi oleh Kementerian Riset, Teknologi, dan Pendidikan Tinggi Republik Indonesia Nomor: 36/E/KPT/2019 yang berlaku sampai dengan Volume 11 Nomor 2 Tahun 2024.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 25 Documents
 1   2   3 
Search results for , issue "Vol 10 No 2: April 2023" : 25 Documents clear
Pengaruh Faktor Emosional Pengguna Terhadap Kesesuaian User Interface pada Sistem Informasi Benih Induk Jeruk di Balitjestro Menggunakan Kansei Engineering Sobirin Nurfauzi; Akhmad Adi Sulianto; Sandra Malin Sutan; Agus Sugiyatno
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 2: April 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20231026173

Abstract

Dalam mendukung produktivitas benih berkualitas diperlukan suatu sistem informasi manajemen untuk mengontrol data yang keluar-masuk. Namun, desain tampilan antarmuka yang sering digunakan cenderung tidak sesuai dengan keinginan penggunanya secara emosional. Penelitian ini bertujuan untuk menentukan faktor-faktor yang mempengaruhi desain antarmuka pengguna pada sistem informasi benih induk jeruk menggunakan metode Kansei Engineering untuk menghasilkan tampilan antarmuka pengguna sesuai dengan keinginan pengguna secara psikologis. Tahapan penelitian ini terdiri dari dua tahapan, yaitu merancang sistem informasi manajemen benih jeruk dan merancang tiga contoh desain tampilan menggunakan kuesioner ke 34 konsumen yang tersebar di beberapa daerah di Indonesia (petani atau penangkar dan kantor dinas) dan 14 pegawai di Balitjestro kemudian dianalisis menggunakan statistik multivariat yaitu Coefficient Correlation Analysis, Cronbach’s Alpha, Principal Component Analysis dan Factor Analysis. Hasil pengujian nilai Cronbach’s Alpha dan Factor Analysis telah memenuhi syarat minilam >0,7 dengan nilai sebesar 0.981 dan 0,8 untuk emotion “Mewah”. Dan menghasilkan dua konsep desain yang direkomendasikan yaitu “Konsep Keindahan” dan Konsep Kreatifitas”. “Konsep Keindahan” yang terdiri dari emotion “Mewah”, “Passion”, dan “Fun”. Sedangkan “Konsep Kreatifitas” terdiri dari emotion “Modern”, “Alami” dan “Kreatif” Abstrak In supporting the productivity of quality seeds, a management information system is needed to control incoming and outgoing data. However, the interface design that is often used tends to be not in accordance with the emotional desires of its users. This study aims to determine the factors that influence the user interface design on the parent citrus seed information system using the Kansei Engineering method to produce a user interface display according to the user's psychological wishes. The stages of this research consisted of two stages, namely designing a citrus seed management information system and designing three examples of display designs using a questionnaire to 34 consumers spread across several regions in Indonesia (farmers or breeders and official offices) and 14 employees at Balitjestro then analyzed using statistics. multivariate, namely Coefficient Correlation Analysis, Cronbach's Alpha, Principal Component Analysis and Factor Analysis. The results of testing the value of Cronbach's Alpha and Factor Analysis have met the minimum requirements > 0.7 with a value of 0.981 and 0.8 for the “Fancy” emotion. And produce two recommended design concepts, namely the "Concept of Beauty" and the “Concept of Creativity ". “Beauty Concept” which consists of “Luxury”, “Passion”, and “Fun” emotions. While the "Concept of Creativity" consists of emotion "Modern", "Natural" and "Creative"
Komparasi Machine Learning Berbasis Pso Untuk Prediksi Tingkat Keberhasilan Belajar Berbasis E-Learning Elin Panca Saputra; Siti Nurajizah; Mawadatul Maulidah; Nadiyah Hidayati; Taufik Rahman
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 2: April 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20231026469

Abstract

Perkembangan bidang teknologi memiliki aspek perkermbangan yang begitu cepat. penelitian kami memiliki tujuan untuk mentransmisikan sebuah pengetahuan tentang machine learning yang telah menjadi begitu popular digunakan hingga saat ini, pada penelitian ini bagaimana mendapatkan fitur seleksi atribut dan mendapatkan hasil prediksi dari pembelajaran pada Universitas atau lembaga Pendidikan yang menerapkan belajar dengan metode pembelajaran jarak jauh ataupun e-learning di era pandemic ini. Permasalahan pada penelitian ini yaitu jumlah atribut pada data dapat mengurangi akurasi, maka dari percobaan dengan beberapa algoritma pada machine learning kami mencoba menerapkan Particle Swarm Optimizatio(PSO) untuk meningkatkan akurasi yang lebih tinggi. Maka dari itu dapat disimpulkan penerapan menggunakan algoritma Naïve Bayes(NB) berbasis PSO mendapatkan hasil kenerja dengan bobot sebesar 94.40% dan angka AUC sebesar 94.50%, berikutnya Algoritma Support Vectore Machine(SVM) Berbasis PSO dengan hasil kinerja akurasi sebesar 88.20 dan nilai AUC seberar 91.10%, dan Artificial Neural Network(NN) berbasis Particle Swarm Optimizatio(PSO) menghasilkan skor hasil kinerja akurasi dengan bobot 99.20% dan nilai akurasi sebesar 98.50%, maka Artificial Neural Network(NN)  berbasis PSO memiliki keunggulan lebih besar dari pada algoritma naïve bayer berbasis PSO dan Support Vector Machine(SVM) dengan PSO. Sedangkan atribut yang mempunyai pengaruh menentukan dari algoritma tersebut pada tingkat akurasi adalah Practice Questions, Quizzes, Midterm exams, dan Final exams. terbukti dari penelitian-penelitian kami yang sebelumnya maka algoritma neural network berbasis PSO memang memiliki keunggulan yang begitu baik. Karena ANN merupakan metode yang memiliki perhitungan yang membangun beberapa unit pada saat pemrosesan berdasarkan koneksitas yang saling berhubungan, metode ANN dengan akurasi prediksi dapat menjadi sebuah alat yang efisien dan baik untuk penelitian estimasi dan klasifikasi dalam bidang pendidikan. Abstract The development of the field of technology has a very fast development aspect. our research has the aim of transmitting knowledge about machine learning which has become so popularly used until now, in this study how to get attribute selection features and get predictive results from learning at universities or educational institutions that apply learning by distance learning methods or e-learning. -Learning in this pandemic era. The problem in this study is that the number of attributes in the data can reduce accuracy, so from experiments with several yahoos on machine learning, we tried to apply Particle Swarm Optimizatio (PSO) to increase higher accuracy. Then the application key using the PSO-based Naïve Bayes (NB) algorithm can get performance results with a weight of 94.40% and an-AUC number of 94.50%, then the PSO-based Support Vectore Machine (SVM) Algorithm with a performance result of 88.20 and an AUC value of 91.10%, and Artificial Neural Network-(NN) based on Particle Swarm Optimizatio (PSO) produces an accuracy performance score with a weight of 99.20% and an accuracy value of 98.50%. Support Vector Machine (SVM) with PSO. While the attributes that have an influence to determine the algorithm on the level of accuracy are Practice Questions, Quizzes, Mid-Semester Exams, and Final Exams. it is evident from our previous studies that the PSO-based neural network algorithm does have a very good advantage. based on ANN is a method that has calculations that build several units of interconnected connectivity, the ANN method with predictive accuracy can be an efficient and good tool for forecasting and classification research in the field of education.
Implementasi Algoritma Random Forest Untuk Menentukan Penerima Bantuan Raskin Ilham Kurniawan; Duwi Cahya Putri Buani; Abdussomad Abdussomad; Widya Apriliah; Rizal Amegia Saputra
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 2: April 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20231026225

Abstract

Kemiskinan adalah salah satu perhatian mendasar dari setiap pemerintah. Program Beras Keluarga Miskin (Raskin) merupakan  salah satu program pemerintah. Skema raskin mempunyai tujuan meminimalisir beban rumah tangga tidak mampu sebagai bentuk bantuan untuk menaikkan ketahanan pangan melalui perlindungan sosial. Tujuan penelitian ini adalah menemukan akurasi tertinggi di antara algoritma klasifikasi prediktif yang diusulkan penerima bantuan raskin menggunakan tools python machine learning dan di implementasikan melalui suatu website. Klasifikasi adalah metode penambangan data yang menentukan kategori pada kelompok data untuk mendukung prediksi dan analisa yang semakin akurat. Beberapa algoritma klasifikasi pembelajaran mesin seperti, SVM, NB dan RF, digunakan pada penelitian ini demi menentukan penerima bantuan raskin. Eksperimen dilakukan menggunakan dataset Raskin Kelurahan Gunungparang, Kota Sukabumi yang bersumber dari Kelurahan Gunungparang. Kinerja algoritma klasifikasi dievaluasi dengan beragam metrik seperti Precision, Accuracy, F-Measure, dan Recall. Akurasi diukur melalui contoh yang dikelompokan dengan benar atau salah. Hasil yang diperoleh menunjukkan algoritma klasifikasi RF memiliki nilai precision, recall, f-measure dengan nilai 97%, nilai accuracy sebesar  97,26% dan nilai ROC 0,970, lebih baik dari algoritma klasifikasi lainnya yaitu perbedaan sebesar 5,11% dengan algoritma klasifikasi support vector machine dan 8,87% dengan algoritma klasifikasi naive bayes. Akurasi sangat baik digunakan sebagai acuan kinerja algoritma apabila jumlah False Negative dan False Positive jumlah nya mendekati. Hasil penelitian ini dibuktikan secara akurat dan sistematis menggunakan Receiver Operating Characteristic (ROC). Abstract The problem of poverty is one of the fundamental concerns of every government. The Raskin  program is one of the government's programs. The Raskin scheme has the aim of minimizing the burden on poor households in the form of assistance to improve food security by providing social protection. The purpose of this study is to find the highest accuracy among the predictive classification algorithms proposed by Raskin beneficiaries using python machine learning tools and implemented through a website. Classification is a data mining method that determines categories in data groups to support more accurate predictions and analysis. Therefore, three machine learning classification algorithms such as, support vector machine, naive bayes and random forest, were used in this experiment. to determine recipients of Raskin assistance. The experiment was carried out using the Raskin dataset, Gunungparang Village, Sukabumi City, which was sourced from Gunungparang Village. The performance of the classification algorithm is evaluated by various metrics such as Precision, Accuracy, F-Measure, and Recall. Accuracy is measured by correctly and incorrectly grouped samples. The results obtained show that the random forest classification algorithm has precision, recall, f-measure values with a value of 97%, an accuracy value of 97.26% and an ROC value of 0.970, better than other classification algorithms, namely the difference of 5.11% with the support vector classification algorithm. machine and 8.87% with naive bayes classification algorithm. Very good accuracy is used as a reference for algorithm performance if the number of False Negatives and False Positives is close. These results were proven accurately and systematically using Receiver Operating Characteristics (ROC).
Analisis Asosiasi Untuk Menemukan Pola Pada Terapi Obat Pasien Dengan Menggunakan Metode Apriori Evi Dewi Sri Mulyani; Teuku Mufizar; Sarmidi Sarmidi; Cepi Rahmat Hidayat; Dede Syahrul Anwar; Rofi Chaeruddin
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 2: April 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20231026051

Abstract

Pemantauan Terapi Obat (PTO) merupakan suatu proses yang didalamnya mencakup proses kegiatan untuk memastikan terapi obat bagi pasien secara aman, efektif dan rasional. Dataset diperoleh dari Klinik Nabila yang berisi tentang pelayanan kesehatan seperti pemeriksaan kondisi pasien, pemberian tindakan, dan pemberian obat sesuai resep dokter. Pada umumnya ditemukan kencenderungan bahwa setiap penyakit akan diberikan terapi obat yang berbeda, sesuai dengan gejala yang ditimbulkannya. Terapi obat yang berbeda diberikan untuk penyakit yang memiliki gejala yang berbeda, akan tetapi satu terapi obat yang sama dapat diberikan kepada penyakit yang berbeda dengan memiliki gejala yang sama. Berdasarkan hal tersebut dilakukanlah sebuah analisis menggunakan metode Assosiasi dalam mencari hubungan dalam data terapi obat dengan menggunakan algoritma Apriori, algoritma ini bekerja dengan cara mempelajari aturan asosiasi, yaitu dengan mencari hubungan antara satu atau lebih dalam sebuah itemset. Penelitian ini menghasilkan 7 aturan asosiasi terapi obat berdasarkan mininum support dan minimum confidence. Dengan nilai asosiasi tertinggi yaitu dengan nilai confidence 59% yaitu terapi obat meloxicam 7,5mg, Ranitidine yang sudah melebihi kriteria minimum nilai confidence yaitu lebih dari 20%. Dan untuk nilai support tertinggi yaitu dengan nilai support 4% yaitu terapi obat  Grafaclor -> Ranitidine. Nilai tersebut sudah melebihi kriteria minimum nilai support 3%. Dalam penelitian ini juga dibangun aplikasi yang mengimplementasikan algoritma apriori untuk membantu dokter maupun apoteker dalam mengetahui pola terapi obat dengan bahasa pemrograman PHP dan database MySql. Abstract Drug Therapy Monitoring (PTO) is a process that includes a process of activities to ensure drug therapy for patients is safe, effective and rational. The dataset was obtained from the Nabila Clinic which contains health services such as checking the patient's condition, giving actions, and administering drugs according to doctor's prescriptions. In general, there is a tendency that each disease will be given different drug therapy, according to the symptoms it causes. Different drug therapies are given for diseases that have different symptoms, but the same drug therapy can be given to different diseases with the same symptoms. Based on this, an analysis was carried out using the Association method in finding relationships in drug therapy data using the Apriori algorithm, this algorithm works by studying association rules, namely by looking for relationships between one or more in an itemset. This study resulted in 7 association rules for drug therapy based on minimum support and minimum confidence. With the highest association value, namely with a confidence value of 59%, namely drug therapy meloxicam 7.5 mg, Ranitidine which has exceeded the minimum criteria for a confidence value of more than 20%. And for the highest support value, namely with a support value of 4%, namely drug therapy Grafaclor -> Ranitidine. This value has exceeded the minimum criteria for the support value of 3%. In this study, an application that implements the a priori algorithm was also built to assist doctors and pharmacists in knowing the pattern of drug therapy using the PHP programming language and MySql database.
Identifikasi Tanaman Obat Indonesia Melalui Citra Daun Menggunakan Metode Convolutional Neural Network (CNN) Budi Setiyono; Muhammad Riv’an Arif; Qonita Qurratu Aini; Theophil Henry Soegianto; Jasti Ohanna; Ricky Andrean Fernanda Gunawan; Ayu Putri Rizkia
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 2: April 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20231026809

Abstract

Indonesia memiliki sumber daya alam yang melimpah, salah satunya adalah berbagai jenis tanaman. Masyarakat Indonesia telah menggunakan tanaman sebagai obat tradisional sejak jaman dahulu. Pada saat ini, tingkat pengetahuan manusia dalam mengenali jenis tanaman obat semakin menurun, karena keterbatasan memori yang dimiliki oleh manusia. Varietas tanaman obat yang sangat banyak dan beragam menyebabkan masyarakat sulit mengidentifikasi jenis tanaman obat indonesia. Penulis mengidentifikasi jenis tanaman herbal serta khasiatnya, khususnya untuk tanaman herbal yang ada di Indonesia. Metode Convolutional Neural Network (CNN) digunakan pada proses pengenalan tanaman herbal tersebut, karena metode ini cukup handal untuk pengenalan objek. Penulis menggunakan data citra daun sebagai data set yang diperoleh dari Mendeley Data. Penulis juga menggunakan data primer berupa data daun tanaman herbal yang diperoleh dari kampung herbal Surabaya. Tahap pertama adalah melakukan anotasi, melabeli serta menyamakan dimensi terhadap citra yang belum sama.  Tahap kedua penulis melakukan pre-training untuk mendapatkan bobot yang akan digunakan sebagai input pada proses transfer learning menggunakan EfficientNetV2 sebagai model dasar. Langkah terakhir adalah melakukan validasi menggunakan data uji. Penelitian ini menunjukkan bahwa, CNN berhasil digunakan untuk mengidentifikasi tanaman herbal. Pengujian menggunakan confusion matrix terhadap data set yang digunakan pada penelitian ini memperoleh nilai akurasi rata-rata 98%. Abstract Indonesia has abundant natural resources, one of which is various types of plants. Indonesian people have used plants as traditional medicine since ancient times. At this time, human knowledge in recognizing the types of medicinal plants is decreasing due to humans' limited memory. The wide and varied varieties of medicinal plants make it difficult for the public to identify the types of Indonesian medicinal plants. In this study, the authors identified the types of herbal plants and their properties, especially for herbal plants in Indonesia. The Convolutional Neural Network (CNN) method is used in identifying these herbal plants because this method is quite reliable for object recognition. The author uses leaf image data as a data set obtained from Mendeley Data. In addition, the authors also use primary data on herbal plant leaves obtained from the Surabaya herbal village. The first stage is to annotate, label, and equate the dimensions of the images that still need to be the same. In the second stage, the authors conducted pretraining to obtain weights that would be used as input in the transfer learning process using EfficientNetV2 as the basic model. The final step is to validate using test data. This study shows that CNN is successfully used to identify herbal plants Testing using the confusion matrix method for the data set used in this study obtained an average accuracy value of 98%.
Analisis Performa Algoritma Machine Learning pada Perangkat Embedded ATmega328P Jeffry Atur Firdaus; Agung Setia Budi; Eko Setiawan
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 2: April 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20231026196

Abstract

Artificial intelligence (AI) merupakan sistem kompleks yang meniru kecerdasan manusia untuk melakukan tugas dan dapat mengembangkan kecerdasannya menggunakan informasi yang mereka kumpulkan. Machine learning yang merupakan bagian dari AI, sering ditemui pada perangkat embedded. Beberapa algoritma machine learning yang banyak dikembangkan pada perangkat embedded adalah K-Nearest Neighbor, Naive Bayes dan SEFR. Pada tahun 2019, evaluasi pasar embedded system mencapai $100 miliar dan akan diprediksi jumlahnya terus meningkat sebesar enam persen setiap tahunnya. Salah satu perangkat embedded open source yang sering ditemui di pasaran adalah Arduino Nano berbasis ATmega328P. Namun tidak seperti komputer, embedded system memiliki sumber daya yang terbatas. Dalam mengembangkan sistem pada perangkat embedded perlu diperhatikan faktor seperti waktu komputasi, daya yang diperlukan dan penggunaan memori. Penelitian ini mengkaji tiga algoritma tersebut untuk mencari algoritma yang paling sesuai di perangkat embedded. Penelitian ini menemukan bahwa dalam melakukan klasifikasi tiga dataset, algoritma K-Nearest Neighbor mendapatkan akurasi paling baik dan paling konsisten hingga 93.3% akurat. Penggunaan sumber daya SRAM paling sedikit didapatkan pada algoritma Naive Bayes dengan rata-rata 764 Bytes. Waktu komputasi paling cepat didapatkan oleh algoritma SEFR dengan waktu yang dibutuhkan untuk melakukan klasifikasi dataset dalam waktu rata-rata 1.16 mili sekon dan konsumsi daya 0.1 mili joule. AbstractArtificial intelligence (AI) is a complex system that imitates human intelligence to perform tasks and can develop their intelligence using the information they collect. Machine learning, which is part of AI, is often encountered in embedded devices. Several machine learning algorithms that have been developed on embedded devices are K-Nearest Neighbor, Naive Bayes and SEFR. In 2019, the evaluation of the embedded systems market reached $100 billion and is predicted to continue to increase by six percent annually. One of the open source embedded devices that is often found in the market is the Arduino Nano based on the ATmega328P. However, unlike computers, embedded systems have limited resources. In developing systems on embedded devices, factors such as computing time, required power and memory usage must be considered. This study examines these three algorithms to find the most suitable for the embedded device. This study found that in classifying three datasets, the K-Nearest Neighbor algorithm got the best and most consistent accuracy up to 93.3% accurate. The least use of SRAM resources is found in the Naive Bayes algorithm with an average of 764 Bytes. The fastest computation time is obtained by the SEFR algorithm with the time required to classify the dataset in an average time of 1.16 milliseconds and a power consumption of 0.1 milli joules.
Pemilihan Susu Formula Anak Menggunakan Metode Analytic Hierarchy Process dan Simple Additive Weighting Heribertus Ary Setyadi; Ahmad Fauzi; Galih S Nurohim; Doddy Satrya Perbawa
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 2: April 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20231026524

Abstract

Banyaknya merek susu formula yang beredar di pasaran membuat konsumen merasa kebingungan memilih produk yang cocok dan baik untuk dikonsumsi. Maraknya berbagai merek susu formula juga menjadikan dilema para ibu karena semakin banyak pilihan merek susu semakin beragam harga dan kandungan gizinya dan semakin susah memutuskan produk yang akan dipilih untuk mencukupi asupan gizi bagi anaknya. Tujuan penelitian ini adalah menghasilkan sistem pendukung keputusan yang dapat memberikan rekomendasi pemilihan susu formula anak sesuai dengan prioritas kepentingan atau kebutuhan yang diinginkan. Dari kriteria yang ditemukan dalam tahap observasi kemudian diproses ke dalam metode Analytic Hierarchy Process (AHP) untuk memasukkan rasio kepentingan masing-masing kriteria. Kriteria yang digunakan dalam penelitian ini dibagi menjadi 3 kriteria besar yaitu kandungan gizi, rasa dan harga. Sub kriteria kandungan nutrisi antara lain AA dan DHA, Laktoferin/Betakaroten, Prebiotik dan probiotik, Protein, Omega 3 dan omega 6, Lemak, Energi, Vitamin. Sub kriteria rasa terdiri dari vanilla, chocolate, honey, strawberry, plain. Nilai bobot setiap kriteria dari proses AHP dijadikan input dalam perhitungan metode Simple Additive Weighting (SAW) untuk menghasilkan rekomendasi dari pilihan susu yang telah dimasukkan sebelumnya. Dalam penelitian ini alternatif yang berupa merek susu dapat ditambah, dirubah dan dihapus sehingga bersifat dinamis. Kriteria dalam penelitian ini dibagi menjadi sub kriteria yang lebih detail. Dari hasil akhir sistem yang melalui proses dua metode, referensi merek susu yang direkomendasi yaitu susu formula merek Cill School yang memiliki nilai akhir 0,828. Abstract The proliferation brands of formula milk circulating in the market make consumers feel confused in choosing a product that is suitable and good for consumption. Many brands of formula milk also pose a dilemma for mothers, because the more milk’s brands, more varied price and nutritional content more difficult for mothers to decide which product to choose to provide nutritional intake for their children. This research’s purpose  is to produce a decision support system that can provide recommendations selection formula milk for children according to the priority interests or needs desired. From the criterias found in the observation stage then processed into the Analytic Hierarchy Process (AHP) method to enter ratio of importance of each criterion. The criteria used in this study are divided into 3 major criteria, they are nutritional content, taste and price. Sub-criteria for nutritional content include AA and DHA, Lactoferrin/Betacarotene, Prebiotics and probiotics, Protein, Omega 3 and omega 6, Fat, Energy, Vitamins. Taste sub criteria consist of Vanilla, Chocolate, Honey, Strawberry, Plain. Weight value of each criterias from AHP process is used as input in the calculation of Simple Additive Weighting (SAW) method to produce recommendations from milk choices that have been entered before. In this research, alternatives of milk brands can be added, changed and deleted so it’s dynamic. Criterias in this research are divided into more detailed sub-criteria. From the final result of this system, a reference for the milk brand recommended by the system that is Chil School formula milk which has a final score of 0.828
Klasifikasi Masyarakat Penerima Bantuan Langsung Tunai Dana Desa Menggunakan Naïve Bayes dan SMOTE Dede Kurniadi; Fitri Nuraeni; Marshal Firmansyah
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 2: April 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20231026453

Abstract

Pemerintah menyelenggarakan program Bantuan Langsung Tunai Dana Desa (BLT DD), program ini memberikan (subsidi) kepada keluarga miskin yang memenuhi syarat. Program ini dapat membantu mengurangi beban pengeluaran serta meningkatkan pendapatan keluarga miskin. Masyarakat yang berhak menerima BLT DD terkadang melebihi kuota yang tersedia, kemudian proses penentuan penerima dilakukan secara musyawarah. Hasil penetapan tersebut terkadang menimbulkan kecemburuan sosial di masyarakat, sehingga diperlukan klasifikasi yang dapat membantu menentukan keluarga yang layak menerima program bantuan ini. Penelitian ini bertujuan untuk menerapkan metode Naïve Bayes untuk mengklasifikasikan data keluarga layak dan tidak layak menerima BLT DD karena masih banyak keluarga miskin berpenghasilan rendah lainnya yang belum berkesempatan untuk memperoleh program bantuan ini. Metode penelitian yang digunakan yaitu Cross-Industry Standard Process For Data Mining (CRISP-DM). Data yang digunakan merupakan data penerima BLT DD tahun 2021 dan 2022 di Desa Kersamenak dengan jumlah data yang digunakan sebanyak 375, meliputi class layak 205 record dan tidak layak 170 record. Data yang terkumpul menunjukkan adanya ketidakseimbangan kelas pada jumlah masyarakat yang layak dan tidak layak, sehingga diperlukan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk menangani kelas yang tidak seimbang pada data. Hasil pemodelan Naïve Bayes menggunakan teknik SMOTE menghasilkan model performansi terbaik dengan nilai akurasi 97,80% dan nilai AUC 0,99 yang termasuk dalam kategori Excellent Classification. Berdasarkan hasil model kinerja klasifikasi yang diperoleh, model yang dihasilkan dapat diimplementasikan ke dalam sistem aplikasi pendukung keputusan untuk membantu Desa dalam menentukan penerima BLT DD agar lebih cepat dan mudah. Abstract The government organizes the Bantuan Langsung Tunai Dana Desa (BLT DD) program, which provides (subsidies) to low-income families who meet the requirements. This program can help reduce the burden of spending and increase the income of low-income families. Communities who deserve to receive BLT DD sometimes exceed the available quota, then the process of determining the recipient is carried out utilizing deliberation. The results of these determinations sometimes cause social jealousy in the community, so a classification is needed that can help determine eligible families to receive this assistance program. This study aims to apply the Naïve Bayes method to classify family data as eligible and not eligible to receive BLT DD because there are still many other low-income families who have not had the opportunity to acquire this assistance program. The research method used is Cross-Industry Standard Process for Data Mining (CRISP-DM). The data used is the data of the 2021 and 2022 Village Fund Direct Cash Aid recipients in Kersamenak Village, with the amount of data used as much as 375, including 205 eligible class records and 170 inappropriate records. The data collected shows an imbalanced class in the number of eligible and ineligible people, and it is necessary to use the Synthetic Minority Over-sampling Technique (SMOTE) technique to handle the imbalanced class in the data. The results of modeling the Naïve Bayes using SMOTE technique produce the best performance model with an accuracy value of 97.80% and an AUC value of 0.99, which is included in the Excellent Classification category. Based on the results of the classification performance model obtained, we can implement the resulting model into a decision support application system to assist the Village in determining the recipient of the BLT DD to make it faster and easier.
Identifikasi Gagal Ginjal Kronis dengan Mengimplementasikan Metode Support Vector Machine beserta K-Nearest Neighbour (SVM-KNN) Alvin Tarisa Akbar; Novanto Yudistira; Achmad Ridok
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 2: April 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20231026059

Abstract

Ginjal merupakan bagian vital bagi manusia karena berfungsi untuk menyaring atau membersihkan cairan yang kita minum agar dapat dikonsumsi oleh tumbuh secara normal. Gagal ginjal adalah situasi dimana ginjal mengalami penurunan funsionalnya secara terus-menerus yang mana dapat mengakibatkan ketidakmampuan ginjal untuk berfungsi untuk semestinya. Untuk membantu pasien yang terjangkit penyakit gagal ginjal kronis hal yang terlebih dahulu dilakukan adalah mengindentifikasi penyakit tersebut. Indentifikasi gagal ginjal kronis dengan menggunakan dataset yang dibuat oleh L.Jerlin Rubini dkk. sudah dilakukan dengan berbagai metode klasifikasi, contohnya adalah implementasi metode klasifikasi Support Vector Machine (SVM) dan K-Nearest Neighbour (KNN). Salah satu kelemahan dari SVM adalah bila data terlalu dekat dengan hyperplane adanya potensi untuk salah mengklasifikasi. Lalu salah satu kelemahan dari KNN adalah berpotensi mengalami penuruan akurasi bila nilai k terlalu tinggi atau terlalu rendah yang mana masing-masing mengakibatkan banyaknya noise data atau terlalu kecil data yang digunakan sebagai pembanding. Untuk penelitian ini, kami mengimplementasikan penggabungan metode SVM dengan KNN yang dikenal dengan SVM-KNN yang menggunakan optimasi Simplified Sequential Minimal Optimization (Simplified SMO). Metode ini mencoba untuk menutupi kelemahan dari SVM dan KNN. Penelitian ini melakukan percobaan pada beberapa nilai parameter yang digunakan untuk mendapatkan akurasi pada metode klasifikasi SVM-KNN terbaik.  Parameter yang diuji adalah cost, tolerance, gamma, dan bias pada metode SVM, parameter k pada metode KNN, serta parameter miu pada metode SVM-KNN. Nilai rata-rata akurasi terbaik didapatkan dengan menggunakan SVM-KNN dengan nilai 94,25% dan terbukti lebih baik dari pada SVM dengan 94,09% dan KNN dengan 91,73%. AbstractKidneys are a vital part for humans because they function to filter or clean the fluids we ingest so that they can be consumed safely. Kidney failure is a situation where the kidneys experience a continuous decline in function which can result in the inability of the kidneys to function properly. To help patients with chronic kidney failure, the first thing to do is to identify the disease. Identification of chronic kidney failure using the dataset created by L.Jerlin Rubini et. al. had been tested with various classification methods, for example the implementation of the Support Vector Machine (SVM) and K-Nearest Neighbor (KNN). One of the weaknesses of SVM is that if the data is too close to the hyperplane there is the potential for misclassification. Then one of the weaknesses of KNN is that it has the potential to experience a decrease in accuracy if the value of k is too high or too low which results in a lot of noise data or too little data used as a comparison respectively. For this research, we implemented a hybrid of SVM with KNN known as SVM-KNN which was optimized using Simplified Sequential Minimal Optimization (Simplified SMO). This study conducted experiments on several parameter values used to obtain the best accuracy in SVM-KNN. The parameters tested are cost, tolerance, gamma, bias on SVM, parameter k on KNN, and miu on SVM-KNN. The average value of accuracy was obtained using SVM-KNN with 94.25% and proved better than SVM with 94.09% and KNN with 91.73%.
Strategi Penanganan Imbalance Class Pada Model Klasifikasi Penerima Kartu Indonesia Pintar Kuliah Berbasis Neural Network Menggunakan Kombinasi SMOTE dan ENN Zaqiatud Darojah; Ronny Susetyoko; Nana Ramadijanti
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 2: April 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20231026480

Abstract

Keterbatasan kuota penerima program Kartu Indonesia Pintar Kuliah (KIP Kuliah) dari pemerintah mengharuskan Perguruan Tinggi (PT) menyeleksi dengan cermat calon mahasiswa yang berhak menerima program tersebut. Pembentukan model klasifikasi penerima program KIP Kuliah merupakan salah satu cara yang dapat membantu PT dalam menyeleksi calon mahasiswa agar tepat sasaran berdasarkan data lampau. Penelitian ini bertujuan untuk membentuk model klasifikasi penerima KIP Kuliah menggunakan Neural Network (NN).  Strategi data processing level digunakan untuk mengatasi ketidakseimbangan data atau imbalance class yang terjadi antara kelas penerima KIP Kuliah sebagai kelas minoritas dan kelas bukan penerima KIP Kuliah sebagai kelas mayoritas. Teknik yang digunakan pada penelitian ini adalah mengkombinaskan metode oversampling Syntetic Minority Oversampling Technique (SMOTE), metode undersampling Edited Nearest Neighbor Rule (ENN),  dan metode undersampling dengan penghapusan langsung pada sampel terpilih. Skema penggabungan dilakukan dengan cara mengelompokkan terlebih dahulu kelas mayoritas menjadi beberapa sub kelas (cluster) menggunakan algoritma k-means. Metode SMOTE dan ENN diterapkan secara bersamaan menggunakan rasio sampling tertentu pada dataset yang berasal dari kelas minoritas dan sub kelas mayoritas yang merupakan tetangga terdekat kelas minoritas tersebut. Metode penghapusan sampel diterapkan pada sub kelas mayoritas yang memiliki jarak yang sangat signifikan dari kelas minoritas. Tujuan dari skema yang diajukan adalah untuk meminimalkan terjadinya pembangkitan false sample pada kelas minoritas dan penghapusan sampel informatif pada kelas mayoritas. Hasil simulasi menunjukkan bahwa kombinasi teknik undersampling dan oversampling dengan skema yang diusulkan mampu meningkatkan kinerja model klasifikasi NN secara signifikan. Model klasifikasi terbaik menghasilkan  nilai accuracy sebesar 93.45%,  TPR sebesar 90,00%, TNR sebesar 93.67%, G-Mean sebesar 91,51%, dan nMCC sebesar 81.25%.  Abstract  The limited quota for recipients of the Kartu Indonesia Pintar Kuliah (KIP Kuliah) program requires the university to select carefully the students who are entitled to receive the program. This study aims to build the classification model for KIP Kuliah recipients using Neural Network (NN) which can be utilized by universities in selecting prospective KIP Kuliah recipients students. To solve the imbalanced KIP Kuliah recipients data, we propose a hybrid sampling technique that combines the Synthetic Minority Over-Sampling Technique (SMOTE) and the Edited Nearest Neighbor (ENN) and also samples selected deletion method with a new scheme. Firstly, the majority class is clustered into several sub-classes using the k-means algorithm.  The SMOTE and ENN methods are applied simultaneously on a dataset derived from a minority class and a majority sub-class that is the nearest neighbor of the minority class with a certain sampling ratio. Furthermore, the sample-selected deletion method is applied to the majority sub-classes that have a very significant distance from the minority class. Lastly, The resampling results of the proposed scheme are combined into one training dataset in ANN. The objective of the proposed scheme is to minimize the generation of ‘false samples’ in the minority class and the elimination of informative samples in the majority class. The results show that the proposed scheme can significantly improve the performance of the NN classification model. The best classification model produces an accuracy value of 93.45%, TPR of 90.00%, TNR of 93.67%, G-Mean of 91.51%, and MCC of 81.25%.

Page 1 of 3 | Total Record : 25

 1   2   3 

Filter by Year

2023 2023


Reset
Filter By Issues
All Issue Vol 12 No 4: Agustus 2025 Vol 12 No 3: Juni 2025 Vol 12 No 2: April 2025 Vol 12 No 1: Februari 2025 Vol 11 No 6: Desember 2024 Vol 11 No 4: Agustus 2024 Vol 11 No 3: Juni 2024 Vol 11 No 2: April 2024 Vol 11 No 1: Februari 2024 Vol 10 No 7: Spesial Issue Seminar Nasional Teknologi dan Rekayasa Informasi (SENTRIN) 2023 Vol 10 No 6: Desember 2023 Vol 10 No 5: Oktober 2023 Vol 10 No 4: Agustus 2023 Vol 10 No 3: Juni 2023 Vol 10 No 2: April 2023 Vol 10 No 1: Februari 2023 Vol 9 No 7: Spesial Issue Seminar Nasional Teknologi dan Rekayasa Informasi (SENTRIN) 2022 Vol 9 No 6: Desember 2022 Vol 9 No 5: Oktober 2022 Vol 9 No 4: Agustus 2022 Vol 9 No 3: Juni 2022 Vol 9 No 2: April 2022 Vol 9 No 1: Februari 2022 Vol 8 No 6: Desember 2021 Vol 8 No 5: Oktober 2021 Vol 8 No 4: Agustus 2021 Vol 8 No 3: Juni 2021 Vol 8 No 2: April 2021 Vol 8 No 1: Februari 2021 Vol 7 No 6: Desember 2020 Vol 7 No 5: Oktober 2020 Vol 7 No 4: Agustus 2020 Vol 7 No 3: Juni 2020 Vol 7 No 2: April 2020 Vol 7 No 1: Februari 2020 Vol 6 No 6: Desember 2019 Vol 6 No 5: Oktober 2019 Vol 6 No 4: Agustus 2019 Vol 6 No 3: Juni 2019 Vol 6 No 2: April 2019 Vol 6 No 1: Februari 2019 Vol 5 No 6: Desember 2018 Vol 5 No 5: Oktober 2018 Vol 5 No 4: Agustus 2018 Vol 5 No 3: Juni 2018 Vol 5 No 2: April 2018 Vol 5 No 1: Februari 2018 Vol 4 No 4: Desember 2017 Vol 4 No 3: September 2017 Vol 4 No 2: Juni 2017 Vol 4 No 1: Maret 2017 Vol 3 No 4: Desember 2016 Vol 3 No 3: September 2016 Vol 3 No 2: Juni 2016 Vol 3 No 1: Maret 2016 Vol 2, No 2 (2015) Vol 2 No 2: Oktober 2015 Vol 2, No 1 (2015) Vol 2 No 1: April 2015 Vol 1, No 2 (2014) Vol 1 No 2: Oktober 2014 Vol 1, No 1 (2014) Vol 1 No 1: April 2014 More Issue