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 4: Agustus 2023" : 25 Documents clear
Analisis Perbandingan Algoritma Machine Learning dan Deep Learning untuk Klasifikasi Citra Sistem Isyarat Bahasa Indonesia (SIBI) Naufal, Mohammad Farid; Kusuma, Selvia Ferdiana
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 4: Agustus 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024106823

Abstract

Terdapat orang yang tidak mampu berkomunikasi secara verbal yang menyebabkan kesulitan dalam berkomunikasi. Orang tersebut mengalami gangguan seperti tuli atau bisu. Mereka hanya dapat berkomunikasi melalui bahasa isyarat salah satunya adalah Sistem Isyarat Bahasa Indonesia (SIBI). Pengenalan Bahasa Isyarat adalah permasalahan klasifikasi yang kompleks untuk dipecahkan. Setiap bahasa isyarat memiliki sintaks dan tata bahasanya sendiri. Computer vision adalah sebuah Teknik yang digunakan komputer untuk melakukan klasifikasi citra. Computer vision membantu pengenalan citra SIBI secara otomatis sehingga memudahkan orang normal berkomunikasi dengan orang tuli atau bisu. Pada penelitian sebelumnya belum ada yang melakukan perbandingan algoritma klasifikasi machine learning dan deep learning untuk pengenalan SIBI. Perbandingan penting dilakukan untuk melihat efektifitas tiap algoritma klasifikasi dalam hal performa klasifikasi dan waktu komputasi. Algoritma klasifikasi machine learning memiliki waktu komputasi lebih rendah sedangkan Deep learning memiliki performa klasifikasi lebih tinggi. Penelitian ini menganalisis time to performance dari algoritma machine learning dan deep learning dalam melakukan klasifikasi citra SIBI huruf A hingga Z. K-Nearest Neighbors (KNN), Support Vector Machine (SVM), dan Convolutional neural network (CNN) dengan transfer learning adalah tiga algorimta klasifikasi populer yang dibandingkan dalam penelitian ini. Arsitektur transfer learning yang digunakan adalah Xception, ResNet50, VGG15, dan MobileNetV2. Dari hasil penelitian yang dilakukan menggunakan 5 cross validation, CNN dengan arsitektur Xception memiliki nilai F1 Score tertinggi yaitu 99,57% dengan waktu training rata-rata 1.387 detik. Sedangkan KNN dengan nilai K = 1 memiliki waktu training tercepat yaitu 0,03 detik dan memiliki nilai F1 Score 86,95%.AbstractThe person who has a disorder such as deaf or dumb are unable to communicate verbally, which causes difficulties in communicating. They can only communicate through sign language, one of which is the Indonesian Language Sign System or Sistem Isyarat Bahasa Indonesia (SIBI). Sign Language Recognition is a complex classification problem to solve. Each sign language has its syntax and grammar. Computer vision is a technique used by computers to classify images. Computer vision helps automatically recognize SIBI images, making it easier for normal people to communicate with deaf or mute people. In previous studies, no one has compared machine learning and deep learning classification algorithms for the classification of SIBI. Therefore, a meaningful comparison is made to see each classification algorithm's effectiveness in classification performance and computation time. Machine learning classification algorithms have lower computation time, while Deep learning has higher classification performance. This study analyzes the time to performance of machine learning and deep learning algorithms in classifying SIBI images of letters A to Z. K-Nearest Neighbors (KNN), Support Vector Machine (SVM), and Convolutional neural network (CNN) with transfer learning are three popular classification algorithms compared in this study. The transfer learning architectures used are Xception, ResNet50, VGG15, and MobileNetV2. The results of research conducted using 5 cross-validation, CNN with the Xception architecture has highest F1 Score of 99.57%, with an average training time of 1.387 seconds. KNN, with a value of K = 1, has the fastest training time of 0.03 seconds and an F1 Score of 86.95%.
Peningkatan Performa Ensemble Learning pada Segmentasi Semantik Gambar dengan Teknik Oversampling untuk Class Imbalance Nugroho, Arie; Soeleman, M. Arief; Pramunendar, Ricardus Anggi; Affandy, Affandy; Nurhindarto, Aris
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 4: Agustus 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024106831

Abstract

Perkembangan teknologi dan gaya hidup manusia yang semakin tinggi menghasilkan data-data yang berlimpah. Data-data tersebut dapat berbentuk data yang terstruktur dan tidak terstruktur. Data gambar termasuk dalam data yang tidak terstruktur. Aktifitas dan objek yang terekam dalam suatu gambar beraneka ragam. Secara normal, mata manusia dapat dengan mudah membedakan antara foreground dan background dari suatu gambar, tetapi komputer membutuhkan pembelajaran dalam membedakan keduanya. Segmentasi gambar adalah salah satu bidang dalam computer vision yang membahas bagaimana cara komputer mempelajari dan mengenali segmen dari suatu gambar sesuai label yang ditentukan. Dalam kenyataannya banyak data yang mempunyai class atau label yang tidak seimbang, tentunya akan mempengaruhi tingkat akurasi dari suatu prediksi. Dalam riset ini membahas bagaimana meningkatkan akurasi segmentasi semantik gambar pada metode ensemble learning untuk menangani masalah data yang tidak seimbang dalam segmentasi gambar. Teknik yang digunakan adalah sintetis oversampling sehingga menghasilkan data yang seimbang dan akurasi yang tinggi. Metode ensemble learning yang digunakan adalah Random Forest dan Light Gradien Boosting Machine (LGBM). Dengan menggunakan dataset Penn-Fudan Database for Pedestrian yang mengandung imbalanced class. Penggunaan teknik sintetis oversampling dapat memperbaikki tingkat akurasi pada class minoritas. Pada algoritma random forest mengalami peningkatan akurasi sebesar 37 % sedangkan pada algoritma LGBM meningkat sebesar 41 %. AbstractThe development of technology and the increasingly high lifestyle of humans produce abundant data. These data can be in the form of structured and unstructured data. Image data is included in unstructured data. The activities and objects recorded in a picture are varied. Normally, the human eye can easily distinguish between the foreground and background of an image, but computers need learning to distinguish between the two. Image segmentation is one of the fields in computer vision that discusses how computers learn and recognize segments of an image according to specified labels. In reality, a lot of data has unbalanced classes or labels, of course, it will affect the accuracy of a prediction. This research discusses how to improve the accuracy of image semantic segmentation in the ensemble learning method to deal with the problem of unbalanced data in image segmentation. The technique used is synthetic oversampling so as to produce balanced data and high accuracy. The ensemble learning methods used are Random Forest and Light Gradient Boosting Machine (LGBM). By using the Penn-Fudan Database for Pedestrian dataset which contains a imbalanced class. The use of synthetic oversampling techniques can improve the level of accuracy in minority classes. The random forest algorithm experienced an increase in accuracy by 37% while the LGBM algorithm increased by 41%.
Optimasi Rute Rencana Perjalanan Pesawat Menggunakan Algoritma Late Acceptance Hill Climbing (Studi Kasus : Travelling Salesman Challenge 2.0) Muklason, Ahmad; Premananda, I Gusti Agung
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 4: Agustus 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024106842

Abstract

Permasalahan Traveling Salesman Problem (TSP) merupakan permasalahan klasik yang popular diteliti dalam bidang optimasi kombinatorika. Permasalahan ini bertujuan menentukan rute perjalanan terpendek untuk  mengunjungi setiap lokasi tepat satu kali dan diakhir perjalanan harus kembali ke lokasi awal perjalanan dimulai. Permasalahan ini telah digolongkan sebagai permasalahan NP-Hard, sehingga membutuhkan algoritma non-deterministic untuk dapat menyelesaikan permasalahan ini. Dalam permasalahan nyata, salah satu penerapan TSP ada pada permasalahan untuk menentukan rute perjalanan termurah untuk mengunjungi beberapa kota di beberapa negara. Kompetisi Travelling Salesman Challenge 2.0 (TSC 2.0) mengangkat permasalahan ini dalam sebuah kompetisi pada tahun 2018. Untuk menyelesaikan studi kasus tersebut, penelitian ini menyembangkan algoritma Late Acceptance Hill Climbing (LAHC) menggunakan metode hiper-heuristik. Algoritma LAHC merupakan algoritma yang sederhana namun telah terbukti mampu mengoptimasi dengan baik pada beberapa permasalahan TSP. Algoritma LAHC diuji coba pada 14 dataset dari TSC 2.0. Hasil penelitian menunjukan algoritma LAHC menghasilkan solusi yang kompetitif dengan mampu menurunkan biaya perjalanan dengan rata-rata 58% dan menghasilkan hasil yang lebih baik dengan rata-rata 9% dari algoritma Threshold Acceptance (TA) yang digunakan sebagai algoritma pembanding. AbstractThe Traveling Salesman Problem (TSP) is a classic problem that is popularly researched in the field of combinatorics optimization. This problem aims to determine the shortest travel route to visit each location exactly once and, at the end of the trip, must return to where the trip started. This problem has been classified as an NP-Hard problem. Therefore it requires a non-deterministic algorithm to solve it. In the real world, one of the applications of TSP is the problem of determining the cheapest travel routes to visit several cities in several countries. The Traveling Salesman Challenge 2.0 (TSC 2.0) competition raised this issue in a competition in 2018. This study developed the Late Acceptance Hill Climbing (LAHC) algorithm using the hyper-heuristic method to complete the case study from TSC 2.0. The LAHC algorithm is simple but has been proven to optimize well for several TSP problems. The LAHC algorithm was tested on 14 datasets from TSC 2.0. The results show that the LAHC algorithm produces competitive solutions by reducing travel costs by an average of 58% and making better results by an average of 9% than the Threshold Acceptance (TA) algorithm used as a comparison algorithm.
Evaluasi Faktor-Faktor Pembelajaran Online pada Perguruan Tinggi Menggunakan Analytic Hierarchy Process (AHP): Studi Kasus Politeknik Elektronika Negeri Surabaya (PENS) Faradisa, Rosiyah; Assidiqi, Mohammad Hasbi; Badriah, Tessy
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 4: Agustus 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023106860

Abstract

Pandemi Covid-19 dan lockdown telah memaksa dunia pendidikan untuk bergerak secara online. Perubahan yang telah terjadi akibat pandemi covid-19 yang telah terjadi sementara sekitar dua tahun di perguruan tinggi, diperkirakan tidak bersifat sementara dan bahkan akan berlanjut. Standar evaluasi pembelajaran tatap muka tradisional tidak dapat diterapkan begitu saja pada pembelajaran online, di perlukan penyesuaian khusus untuk kondisi kelas online. Pada penelitian ini dilakukan pandangan dan pengkajian yang komprehensif terhadap 3 faktor utama dalam penyelenggaraan perkuliahan online di perguruan tinggi meliputi faktor dosen, siswa, dan Learning Management System (LMS). Penelitian dilakukan dengan studi kasus Politeknik Elektronika Negeri Surabaya (PENS) dari sudut pandang dosen dan mahasiswa. Evaluasi faktor-faktor tersebut dilakukan dengan menggunakan AHP untuk pemeringkatan dan mendapatkan nilai kepentingan relatif. Dari perhitungan AHP yang telah dilakukan, diperoleh 10 faktor dengan penilaian tertinggi baik dari responden dosen maupun mahasiswa. Dari 10 faktor tersebut diperoleh 5 faktor yang beririsan antara dosen dan mahasiswa. Kesimpulan yang diperoleh dari penelitian ini dapat digunakan sebagai bahan evaluasi faktor-faktor pembelajaran online di perguruan tinggi pada umumnya, dan PENS khususnya.AbstractThe COVID-19 pandemic and lockdown have forced the world of education to move online. The changes that have taken place as a result of the COVID-19 pandemic, which has occurred for about two years in college, are not expected to be temporary and will even continue. Traditional face-to-face learning evaluation standards cannot simply be applied to online learning; special adjustments are needed for online class conditions. A comprehensive view and assessment of the three main factors in the implementation of online lectures in tertiary institutions, including lecturers, students, and the Learning Management System (LMS), were carried out in this study. The research was conducted using PENS case studies from the perspective of lecturers and students. These factors are ranked and their relative importance values are calculated using AHP. From the AHP calculations that have been carried out, 10 factors with the highest ratings were obtained from both lecturer and student respondents. From these 10 factors, 5 factors were obtained that intersected between lecturers and students. The findings of this study can be used to evaluate the factors of online learning in tertiary institutions in general, and PENS in particular.
Pengukuran Kemiripan Makna Menggunakan Cosine Similarity dan Basis Data Sinonim Kata Sanjaya, Ardi; Setiawan, Ahmad Bagus; Mahdiyah, Umi; Farida, Intan Nur; Prasetyo, Aprisa Risky
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 4: Agustus 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024106864

Abstract

Penelitian ini bertujuan untuk memberikan alternatif dalam menguji kemiripan makna antar 2 kalimat. Pembentukan database sinonim kata dilakukan dengan mengelompokkan kata berdasar sinonim atau yang memiliki kesamaan arti. Masing-masing kelompok kata diberikan ID unik. Selanjutnya setiap kelompok kata dipecah untuk diuraikan menjadi kata tunggal, disimpan pada tabel kata dengan melabeli ID kata dan ID sinonim. ID sinonim didasarkan pada ID unik pada tabel sinonim. Dalam pengujian kemiripan makna, masing-masing kalimat akan di urai menjadi kata dan tiap-tiap kata akan dicocokkan berdasarkan tabel kata dengan acuan ID sinonim. ID Sinonim yang didapat kemudian dilakukan pengukuran jarak vektor dan kemiripan menggunakan rumus cosine similarity. Berdasarkan pengujian dan analisa yang telah dilakukan, dari 25 pengujian didapati 24 nilai kemiripan mengalami peningkatan prosentase. Hal tersebut dikarenakan penggunaan ID yang didasarkan pada kelompok kata dan irisan saat proses pembobotan mampu meningkatkan nilai kemiripan. Rata-rata nilai kemiripan pada penggunaan ID sebagai vektor hitung adalah 94,48% dan rata-rata nilai kemiripan pada metode atau alur pembanding adalah sebesar 69,96%. AbstractThis study aims to provide an alternative in testing the similarity of meaning between 2 sentences. The formation of a word synonym database is done by grouping words based on synonyms or those that have the same meaning. Each group of words is assigned a unique ID. Furthermore, each group of words is broken down to be broken down into single words, stored in the word table labeled word ID and synonym ID. Synonym ID is based on the unique ID in the synonym table. In testing the similarity of meaning, each sentence will be broken down into words and each word will be matched based on the word table with synonym ID references. The synonym ID obtained is then measured by measuring the vector distance and similarity using the cosine similarity formula. Based on the tests and analyzes that have been carried out, out of 25 tests it was found that 24 similarity values experienced an increase in the percentage. This is because the use of ID based on word groups and slices during the weighting process can increase the similarity value. The average similarity value in the use of ID as a calculating vector is 94.48% and the average similarity value in the comparison method or plot is 69.96%.
Pengelompokan Hasil Pencarian Skripsi Berbahasa Indonesia Menggunakan Metode DBSCAN dengan Pembobotan BM25 Satria, Rangga Adi; Indriati, Indriati; Sutrisno, Sutrisno
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 4: Agustus 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024106899

Abstract

Skripsi merupakan tugas akhir yang disusun oleh mahasiswa sebagai persyaratan untuk memperoleh gelar sarjana. Mesin pencari untuk mempermudah pencarian dokumen skripsi yang disimpan pada perpustakaan maupun penyimpanan digital umumnya menggunakan metode sederhana dengan mengembalikan dokumen yang mengandung potongan kata atau identik dengan kata kunci, sehingga dokumen yang diperoleh kurang relevan. Hasil pencarian dapat dikelompokan sehingga dokumen tersaji dengan lebih terperinci dan memudahkan pencarian lebih lanjut. Guna mengelompokan hasil pencarian skripsi berbahasa Indonesia, dengan menggunakan judul dan abstrak skripsi, digunakan pembobotan kata BM25 dan pengelompokan DBSCAN, metode pengelompokan yang mempertimbangkan kepadatan titik sampel dokumen. Pengujian dilakukan dengan mengukur hasil pengelompokan menggunakan rata-rata silhouette coefficient terhadap parameter epsilon dan MinPts pada metode DBSCAN, serta k1 dan b pada pembobotan BM25 dengan 4 skenario yang berbeda. Hasil pengujian menunjukan bahwa parameter k1 dan b pada pembobotan BM25 cukup mempengaruhi kualitas pengelompokan dengan metode DBSCAN. Hasil rata – rata silhouette coefficient terbaik untuk masing masing skenario secara berurutan adalah 0.722, 0.762, 0.945 dan 0.907 dengan parameter terbaik berupa k1=1.8, b=0.5, epsilon=0.1 dan MinPts=5 pada skenario pertama. k1=1.9, b=0.5, epsilon=0.1 dan MinPts=5 pada skenario kedua. k1=1.4, b=0.55, epsilon=0.1 dan MinPts=5 pada skenario ketiga dan k1=1.8, b=0.65, epsilon=0.1 dan MinPts=5 pada skenario keempat. AbstractThesis is a final project that must be completed by students as requirement to obtain a bachelor degree. Search engines used for searching thesis documents stored in libraries or digital storage generally use a simple method by returning documents that contain a snippet of the word or are identical to the keywords, so the obtained documents become less relevant. Search results can be clustered with the purpose of presenting the documents in more detailed way and to ease further searches. In order to cluster the search results of Indonesian language thesis, using the title and abstract of the thesis, BM25 word weighting and DBSCAN clustering were used, a clustering method that considers the document sample density point. The test performed by measuring the clustering results using the average silhouette coefficient on the epsilon and MinPts parameters in the DBSCAN method, as well as k1 and b in the BM25 weighting on 4 different scenarios. The test results show that k1 and b parameters on BM25 weighting is quite affecting the quality of the clustering results using DBSCAN method. The best average silhouette coefficient results for each scenario sequentially are 0.722, 0.762, 0.945 and 0.907 by using the best parameters in the form of k1=1.8, b=0.5, epsilon=0.1 and MinPts=5 in the first scenario. k1=1.9, b=0.5, epsilon=0.1 and MinPts=5 in the second scenario. k1=1.4, b=0.55, epsilon=0.1 and MinPts=5 in the third scenario and k1=1.8, b=0.65, epsilon=0.1 and MinPts=5 in the fourth scenario
Sistem Deteksi Dini Penyakit Preeklampsia Melalui Perubahan Warna Urine Berdasarkan Protein dengan Menggunakan Metode Naïve Bayes Classifier Allaam, Fakhrul; Prasetio, Barlian Henryranu; Maulana, Rizal
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 4: Agustus 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024106908

Abstract

Umumnya preeklamsia adalah penyakit komplikasi yang sering dialami pada ibu hamil.Penyakit ini terjadi dikarenakan adanya tekanan darah tinggi, tanpa edema atau bengkak dan disertai protein dalam urin (proteinuria).Kondisi ini kebanyakan dapat terjadi pada usia kehamilan timester 2 dan trimester 3 atau lebih dari 20 minggu. Ada beberapa teknik untuk mengetahui penyakit tersebut,salah satunya dengan dengan melihat kondisi urin. Namun, ketika penentuan status urin secara manual, sering mengalami kesalahan, karena proses diagnosis hanya menggunakan kasat mata sebagai indikator utama. Oleh karena itu, sistem diagnosa otomatis diperlukan untuk mengurangi kesalahan manusia dan memastikan bahwa pasien menerima perawatan yang mereka butuhkan. Informasi fitur warna diperoleh menggunakan sensor TCS 34725 untuk eksperimen ini. Ada tiga keadaan urin berbeda yang diidentifikasi dan diberi label sebagai Urine Normal, Urine Preeklampsia 1, dan Urine Preeklampsia 2. Titik referensi ditemukan sebagai Urine Normal. Proses klasifikasi menggunakan metode Naive Bayes yang merupakan salah bidang ilmu pengetahuan pola.Metode ini digunakan karena memberikan kemudahan implementasi dan komputasi yang cepat agar prediksi real-time dapat dilakukan.AbstractGenerally, preeclampsia is a complication disease that is often experienced by pregnant women. This disease occurs due to high blood pressure, without edema or swelling and accompanied by protein in the urine (proteinuria). This condition can usually occur in the 2nd and 3rd trimester of pregnancy or later 20 weeks. There are several ways to find out the disease, one of which is by looking at the condition of the urine. However, in the process of determining the condition of the urine manually, errors often occur because the analysis process only uses the naked eye as the main parameter. Therefore, a tool that can perform automatic analysis is needed to minimize errors in the process and take action on patients. This study uses a TCS 34725 sensor to perform feature extraction in the form of color. Urine conditions are divided into three classes, namely Normal Urine, Preeclampsia 1 Urine and Preeclampsia Urine 2. The classification process uses the Naive Bayes method which is one of the fields of pattern science. This method is used because it provides easy implementation and fast computation so that real-time predictions can be made.
Sistem Pendeteksi Sleep-Disordered Breathing Berdasarkan High dan Low Frequency Menggunakan Metode Naïve Bayes Ghifari, Achmad; Widasari, Edita Rosana
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 4: Agustus 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024106913

Abstract

Tidur merupakan aktivitas dimana otak memberikan tubuh waktu istirahat secara total. Kualitas tidur penting untuk menjaga kondisi fisik maupun mental seseorang. Buruknya kualitas tidur disebabkan oleh gangguan tidur. Gangguan tidur yang paling umum terjadi adalah Sleep-disordered Breathing (SDB) atau Sleep Apnea, dimana penderitanya akan mengalami henti napas secara berulang saat tertidur. Sleep Apnea dikategorikan menjadi 2, yaitu Obstructive Sleep Apnea (OSA) dan Central Sleep Apnea (CSA). Diagnosis gangguan tidur dilakukan dengan Polysomnography yang cenderung mahal dan kurang nyaman. Hasil Polysomnography juga tidak dapat langsung digunakan oleh dokter untuk evaluasi lebih lanjut. Oleh karena itu, pada penelitian ini dibuat sistem pendeteksi gangguan tidur ke dalam kelas Normal, OSA, atau CSA menggunakan sinyal Electrocardiography (ECG) yang diakuisisi dengan teknik 3-lead placement. Sistem ini menggunakan sensor AD8232 dalam mengakuisisi sinyal jantung yang akan diproses oleh Arduino Mega 2560 untuk mendapatkan fitur High dan Low Frequency dari sinyal yang kemudian digunakan untuk klasifikasi. Sistem ini memiliki akurasi sebesar 85% dalam melakukan klasifikasi SDB menggunakan metode Naïve Bayes dengan rata-rata waktu komputasi sebesar 12ms. Sistem ini dapat digunakan di rumah karena bersifat portable dan datanya dapat langsung diunduh melalui websiteuntuk evaluasi dokter, sehingga membuat pasien merasa lebih nyaman dan efisien dalam melakukan diagnosis dini. Abstract Sleep is an activity in which the brain gives the body total rest. The quality of sleep is important to maintain someone's physical and mental condition. Poor sleep quality is caused by sleep disorders. The most common sleep disorder is Sleep-Disordered Breathing (SDB) or Sleep Apnea, in which the sufferer will experience repeated pauses in breathing while asleep. Sleep Apnea is categorized into two, namely Obstructive Sleep Apnea (OSA) and Central Sleep Apnea (CSA). Sleep disorder diagnosis is done with Polysomnography which is expensive and uncomfortable. The result of Polysomnography can also not be directly used by doctors for further evaluation. Therefore, in this research, a system was created to detect sleep disorders into Normal, OSA, or CSA classes using Electrocardiography (ECG) signals acquired by the 3-lead placement technique. This system uses AD8232 sensors to acquire heart signals that are processed by Arduino Mega 2560 to obtain High and Low-frequency features of the signal, which are then used for classification. This system has an accuracy of 85% in classifying SDB using the Naive Bayes method with an average computation time of 12ms. This system can be used at home because it is portable and the data can be directly downloaded from the website for doctor evaluation, making the patient feel more comfortable and efficient in early diagnosis.
Clustering Gempabumi di Wilayah Regional VII Menggunakan Pendekatan DBSCAN Arafat, Ihsan Bagus Fahad; Hariyadi, Mokhamad Amin; Santoso, Irwan Budi; Crysdian, Cahyo
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 4: Agustus 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024106918

Abstract

Wilayah Regional VII meliputi Jawa Tengah, Yogyakarta, dan Jawa Timur merupakan wilayah tektonik yang aktif karena terletak di wilayah zona subduksi lempeng Indo-Australia dan Eurasia serta terdapat beberapa patahan aktif di daratan. Oleh karena itu, perlu dilakukan klasifikasi gempabumi untuk memetakan zona rawan gempabumi berdasarkan sumbernya di wilayah Regional VII berdasarkan kesamaan atribut salah satunya adalah berdasarkan karakteristik gempabumi dari sumber yang sama. Pada penelitian ini digunakan pendekatan algoritma Unsupervised Learning Clustering berbasis kepadatan yaitu, Density Based Spatial Clustering of Application with Noise atau DBSCAN, algoritma ini membutuhkan parameter input epsilon (ε) dan MinPts. Data yang digunakan pada penelitian ini adalah data gempabumi wilayah Regional VII tahun 2017 hingga 2021 yang diperoleh dari BMKG. Selanjutnya, proses clustering dilakukan dengan membagi data gempabumi berdasarkan periode yaitu periode tahunan dan periode lima tahun dengan tujuan untuk mengetahui pola cluster berdasarkan periode waktu. Hasil yang terbentuk selanjutnya dievaluasi menggunakan Silhouette Coefficient serta dibandingkan dengan peta Seismisitas Jawa yang telah ada dari katalog PuSGeN 2017. Hasil clustering menggunakan DBSCAN diperoleh jumlah cluster sebanyak 2 hingga 6 cluster dengan nilai Silhouette Coefficient terendah sebesar 0.270 untuk periode T5_2017-2021 dan tertinggi sebesar 0.499 untuk periode T1_2020. AbstractRegional VII area covering Central Java, Yogyakarta and East Java is an active tectonic region because it is located in the subduction zone of the Indo-Australian and Eurasian plates and there are several active faults on land. Therefore, it is necessary to classify earthquakes to map earthquake-prone zones based on their sources in Regional VII area based on the similarity of attibutes, based on the characteristics of earthquakes from the same source. In this study, a density-based Unsupervised Learning Clustering algorithm approach was used namely, Density Based Spatial Clustering of Application with Noise or DBSCAN, this algorithm requires the input parameters epsilon (ε) and MinPts. The data used in this study are earthquake data for Regional VII from 2017 to 2021 obtained from the BMKG. Then, the clustering process is carried out by dividing earthquake data based on the period, namely the annual period and the five-year period with the aim of knowing the pattern of cluster based on the time period. The results are then evaluated using the Sillhouette Coefficient and compared with the existing Java Seismicity map from the 2017 PuSGeN catalog. Clustering results using DBSCAN obtained a number of clusters of 2 to 6 clusters with the lowest Silhouette Coefficient value is 0.270 for the T5_2017-2021 period and the highest is 0.499 for the T1_2020 period.  
Analisis Faktor dan Metode untuk Menentukan Tipe Kulit Wajah: Tinjauan Literatur Kusumaningrum, Shinta Dewi; Muhimmah, Izzati
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 4: Agustus 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024106955

Abstract

Kulit merupakan bagian pelindung terluar yang melapisi sebagian besar dari tubuh manusia. Kulit wajah menjadi bagian kulit paling sensitif sehingga lebih mudah bermasalah dibanding yang lainnya. Perawatan kulit wajah yang tidak tepat dapat menyebabkan timbulnya permasalahan kulit wajah yang baru atau bahkan memperburuk permasalahan sebelumnya. Mendeteksi tipe kulit menjadi langkah awal dalam pengobatan maupun perawatan. Selama ini, penentuan tipe kulit wajah harus dengan keterampilan dokter atau tenaga kesehatan dengan dibantu alat yang mahal dan sulit dimiliki, tetapi dengan adanya perkembangan teknologi saat ini memudahkan seseorang untuk menentukan tipe kulit wajah dengan lebih praktis dan mudah tanpa harus ke dokter. Dari beberapa penelitian yang telah dilakukan sebelumnya, tipe kulit wajah maupun penyakit yang timbul pada area wajah dapat dideteksi melalui pembelajaran citra dengan berbagai macam metode. Data citra yang digunakan sebagai pembelajaran berupa citra digital maupun citra mikroskopis yang kemudian diolah dengan berbagai metode ekstraksi ciri hingga diteruskan dengan klasifikasi tipe kulit. Proses tinjauan literatur menggunakan metode scoping review yang mengidentifikasi setiap literatur secara mendalam. Literatur yang digunakan disesuaikan dengan kriteria yang telah ditentukan seperti topik pembahasan, ketersediaan literatur full text, dan abstrak. Tinjauan literatur ini menunjukkan bahwa akurasi pengolahan citra tidak hanya ditentukan berdasarkan metode, melainkan terdapat faktor lain seperti jumlah dan kualitas dataset yang digunakan serta ekstraksi ciri yang dilakukan. Hasil dari tinjauan literatur ini memberikan gambaran mengenai studi yang relevan dengan topik, perbedaan setiap literatur yang dibahas serta bermanfaat bagi peneliti yang akan mengembangkan teknologi pengolahan citra untuk menentukan tipe kulit wajah. AbstractSkin is the outer protective part that covers most of the human body. Facial skin is the most sensitive part of the skin hence it is more prone to problems than other parts. Improper facial skin care can cause new facial skin problems or even aggravate the previous problems. Detecting on the skin type is the first step in treatment or care. So far, determining the type of facial skin must be with the skills of a doctor or health worker with the help of tools that are expensive and difficult to have, but with current technological developments it makes it easier for someone to determine the type of facial skin more practically and easily without having to see a doctor. From the several previous studies, facial skin types and diseases that emerge in the facial area can be detected through image learning using various methods. Image data used as learning is in the form of digital images and microscopic images which are then processed using various feature extraction methods and then continued with skin type classification. The literature review process uses the scoping review method which identifies each literature in depth. The literature used is adjusted to predetermined the criteria such as the topic of discussion, the availability of full text literature, and the abstraction. This literature review shows that the accuracy of image processing is not only determined based on the method, but there are also other factors such as the number and quality of the datasets used and the feature extraction performed. The results of this literature review provide an overview of studies that are relevant to the topic, the differences in each literature discussed and are useful for researchers who will develop image processing technology to determine the type of facial skin.

Page 2 of 3 | Total Record : 25

 1   2   3 

Filter by Year

2023 2023


Reset
Filter By Issues
All Issue Vol 12 No 6: Desember 2025 Vol 12 No 5: Oktober 2025 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 5: Oktober 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 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: April 2015 Vol 2, No 1 (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