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 6: Desember 2023" : 25 Documents clear
Automated Essay Scoring Menggunakan Semantic Textual Similarity Berbasis Transformer Untuk Penilaian Ujian Esai Pradani, Kharisma Ayu; Suadaa, Lya Hulliyyatus
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 6: Desember 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023107338

Abstract

Ujian berbasis esai seringkali digunakan untuk menguji pemahaman siswa dalam menyelesaikan permasalahan. Tak terkecuali dalam pelaksanaan ujian di Politeknik Statistika STIS. Dalam melakukan penilaian pada jawaban tipe ini, dibutuhkan waktu serta tenaga yang besar, dan sering kali menimbulkan ketidakkonsistenan dalam penilaian. Hal ini dapat terjadi salah satunya karena perbedaan cara penilaian yang dilakukan oleh orang yang berbeda. Oleh karena itu diperlukan penyelesaian yang bisa mengefektifkan waktu, tenaga serta menjaga kekonsistenan aspek penilaian, diantaranya yaitu dengan automated essay scoring (AES). AES merupakan suatu model yang dilatih untuk menilai suatu esai secara otomatis berdasarkan kemiripan jawaban dengan kunci jawaban. Pada penelitian ini, metode yang diusulkan untuk menghitung kemiripan semantik teks berbahasa Indonesia antara jawaban esai dan kunci jawabannya yaitu model berbasis Transformers IndoBERT. Sebagai baseline, digunakan teknik ekstraksi fitur Term Frequency - Inverse Document Frequency (TF-IDF) dan penghitungan kemiripan fitur menggunakan cosine similarity dan linear regression. Selanjutnya nilai kemiripan tersebut dikonversi ke rentang nilai yang diinginkan sebagai prediksi nilai dari setiap esai. Berdasarkan hasil evaluasi, diperoleh bahwa model fine-tuned IndoBERT merupakan model terbaik dengan nilai MAE dan RMSE sebesar 0.1285 dan 0.2001.   Abstract Essay-based exams are often used to test students’ understanding of solving problems. However, assessing this type of answer takes a lot of time and effort and often results in inconsistencies. One of the reasons is the different ways between people while doing the assessment. Therefore, a solution is needed to streamline time, effort, and maintain consistency in aspects of assessment, including automated essay scoring (AES). AES is a model trained to assess an essay automatically based on the similarity of answers with the answer key. In this study, the method proposed to calculate the semantic similarity of Indonesian text between essay answers and answer keys is a model based on the Transformer BERT. As a baseline, the Term Frequency – Inverse Document Frequency (TF-IDF) feature extraction technique is used and calculating feature similarity using cosine similarity and linear regression. Then the similarity value is converted to the desired range of values as the predicted value of each essay. Based on the evaluation results, it was found that the fine-tuned IndoBERT model was the best model, with MAE and RMSE values of 0.1285 and 0.2001.
Survei Penelitian Metode Kecerdasan Buatan untuk Mendeteksi Ancaman Teknologi Serangan Siber Fitria, Eza Yolanda; Mutijarsa, Kusprasapta
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 6: Desember 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023107341

Abstract

Keamanan siber merupakan isu penting di era modern seperti sekarang ini. Serangan siber yang semakin beragam terus bermunculan. Teknik dan metode baru machine learning dan deep learning terus dikembangkan oleh banyak peneliti untuk menangani serangan siber. Selain teknik baru, berbagai jenis dataset baru terkait serangan siber juga turut berkembang. Permasalahan muncul ketika banyaknya teknik atau metode yang ada belum tentu tepat menangani berbagai jenis serangan siber. Begitupun sebaliknya, belum tentu berbagai jenis serangan siber dapat ditangani hanya dengan menggunakan teknik atau metode tertentu saja. Tujuan penelitian ini adalah memetakan teknik-teknik dan metode kecerdasan buatan untuk mendeteksi ancaman teknologi serangan siber dalam bentuk Systematic Literature Review (SLR). Pada penelitian ini teknik dan metode machine learning maupun deep learning dievaluasi untuk dapat menangani jenis serangan siber tertentu dengan tepat. Berbagai dataset yang dapat digunakan untuk eksperimen juga dieksplorasi. Jenis serangan siber yang dibahas pada penelitian ini difokuskan jenis serangan pada sistem host dan serangan pada lapisan keamanan jaringan. Pada penelitian SLR sebelumnya, hal-hal tersebut dibahas secara terpisah atau bahkan salah satunya saja sehingga dalam penelitian ini perlu dibangun kembali SLR yang bisa mengisi kekurangan pada penelitian SLR sebelumnya. Originalitas penelitian ini terletak pada analisis teknik atau metode kecerdasan buatan yang secara spesifik tepat untuk menangani jenis serangan siber tertentu. Terdapat total 44 paper survei yang diulas, diterbitkan antara tahun 2018 hingga 2023. Dari keseluruhan paper tersebut, 30 paper membahas penggunaan teknk machine learning dan deep learning. Kemudian, 19 paper yang membahas penggunaan dataset dan 13 paper membahas peluang penelitian masa depan. Terakhir, 5 paper yang membahas terkait tools. Hasil dari penelitian ini diharapkan dapat berkontribusi dalam memberikan wawasan baru di dunia keamanan siber untuk membuka peluang penelitian masa depan, terutama bagi para peneliti pemula yang ingin melakukan riset di bidang keamanan siber.   Abstract Cybersecurity is an essential issue in today's modern era. An increasingly diverse range of cyberattacks continues to emerge. Many researchers continue to develop new techniques and methods for machine learning and deep learning to deal with cyberattacks. In addition to new techniques, various types of new datasets related to cyberattacks are also developing. Problems arise when the many existing techniques or methods are not appropriate for dealing with various types of cyberattacks. Vice versa, it is not certain that various types of cyberattacks can be handled only using specific techniques or methods. This research aims to map the techniques and methods of artificial intelligence to detect cyber-attack technology threats in the form of a Systematic Literature Review (SLR). In this research, machine learning and deep learning techniques and methods are evaluated to be able to handle certain types of cyberattacks properly. Various datasets that can be used for experiments are also explored. The types of cyberattacks discussed in this study focus on attacks on the host system and the network security layer. In previous SLR research, these matters were discussed separately or even just one of them. In this study, it was necessary to rebuild the SLR, which could fill the deficiencies in the previous SLR research. The originality of this research lies in the analysis of artificial intelligence techniques or methods that are specifically appropriate for dealing with certain types of cyberattacks. A total of 44 reviewed survey papers were published between 2018 and 2023. Of all these, 30 papers discuss machine learning and deep learning techniques. Then, 19 papers examine the use of datasets, 13 papers discuss future research opportunities, and five papers discuss developing tools. The results of this research are expected to contribute to providing new insights into the world of cybersecurity to open future research opportunities, especially for novice researchers who wish to conduct research in the field of cybersecurity.
Kontrol Level Kecepatan Kipas Melalui Deteksi Gestur Jari Tangan Menggunakan MediaPipe dan Faster-RCNN Fakhruddin, Muhammad Aldi; Pratikno, Heri; Musayyanah; Kusumawati, Weny Indah
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 6: Desember 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023107345

Abstract

Interaksi antara manusia dan komputer saat ini lebih interaktif, responsif dan intuitif, di masa lalu proses interaksi tersebut diperlukan kontak secara fisik atau menggunakan sensor-sensor elektronik. Pada penelitian ini interaksi antara manusia dan komputer atau peralatan elektronik tidak diperlukan kontak fisik maupun melalui sensor karena dilakukan secara computer vision hanya menggunakan webcam sehingga proses interaksinya lebih natural. Penerapan mikrokontroler sebagai backbone utama teknologi berbasis Internet of Things di era Industry 4.0, bertujuan untuk mempermudah pekerjaan manusia terutama dukungan layanan di dunia industri. Pada era Society 5.0 semua penerapan teknologi yang ada tujuan utamanya tidak hanya mempermudah pekerjaan manusia tetapi bagaimana teknologi tersebut bisa lebih mengerti dan memahami manusianya maka disitulah diterapkan Artificial Itelligence. Dalam penelitian ini diterapkan sistem kontrol interaksi antara pengguna dan komputer untuk pengaturan level kecepatan putaran kipas angin secara otomatis dan realtime berbasis teknologi computer vision for deep learning melalui deteksi bentuk gestur jari tangan kanan dan gestur jari tangan kiri menggunakan webcam. Mikrokontroler yang digunakan pada penelitian ini adalah Arduino Uno, sedangkan penerapan computer vision for deep learning menggunakan framework MediaPipe dan Faster-RCNN. MediaPipe berfungsi untuk mendeteksi bentuk gestur fitur jari kedua tangan dan Faster-RCNN digunakan untuk proses klasifikasi empat bentuk gestur jari tangan untuk mematikan kipas angin atau menghidupkan kipas angin dengan kecepatan putarannya pada level 1, level 2 atau level 3. Hasil pengujian akurasi rata-rata deteksi gestur jari tangan menggunakan MediaPipe pada jarak 10 cm (41,6%), jarak 50 cm (85,35%), jarak 100 cm (71,68%), dan jarak 175 cm (69,33%). Sedangkan hasil pengujian Faster-RCNN mempunyai akurasi klasifikasi rata-rata pada jarak 10 cm (36%), jarak 50 cm (30,75%), jarak 100 cm (18,68 %), dan jarak 175 cm (14.83%).   Abstract Interaction between humans and computers is now more interactive, responsive and intuitive, in the past the interaction process required physical contact or using electronic sensors. In this study, the interaction between humans and computers or electronic equipment does not require physical contact or through sensors because it is done in computer vision using only a webcam so that the interaction process is more natural. The application of microcontrollers as the main backbone of Internet of Things-based technology in the Industry 4.0 era, aims to facilitate human work, especially service support in the industrial world. In the era of Society 5.0, all applications of technology that have the main goal are not only to facilitate human work but how technology can better understand and understand humans, so that's where Artificial Intelligence is applied. In this study, an interaction control system was applied between the user and the computer to adjust the fan speed level automatically and in real time based on computer vision technology for deep learning through the detection of the shape of the right hand finger gesture and the left hand finger gesture using a webcam. The microcontroller used in this study is Arduino Uno, while the application of computer vision for deep learning uses the MediaPipe and Faster-RCNN frameworks. MediaPipe serves to detect the shape of the finger feature gestures of both hands and Faster-RCNN is used to process the classification of four finger gestures to turn off the fan or turn on the fan with its rotational speed at level 1, level 2 or level 3. The results of the average accuracy test detection of finger gestures using the MediaPipe at a distance of 10 cm (37%), a distance of 50 cm (70%), a distance of 100 cm (54.7%), and a distance of 175 cm (63.3%). While the Faster-RCNN test results have an average classification accuracy at a distance of 10 cm (34%), a distance of 50 cm (24%), a distance of 100 cm (8.7%), and a distance of 175 cm (4.7%).
Penerapan Model Technology Readiness Index untuk Mengukur Tingkat Kesiapan Mahasiswa dalam Penerimaan Sistem E-Polvot Anam, M Khairul; Zoromi, Fransiskus; Soni; Nasution, Torkis; Andesa, Khusaeri
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 6: Desember 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023107368

Abstract

BEM (Badan Eksekutif Mahasiswa) merupakan ujung tombak dalam menjalankan tata pemerintahan di kalangan mahasiswa dan media untuk menyampaikan aspirasi baik berupa kesejahteraan, keamanan baik secara lisan maupun dalam tulisan kepada perguruan tinggi. Pemilihan BEM di perguruan tinggi rutin dilaksanakan setiap setahun. Namun dalam pemilihan BEM, beberapa mahasiswa tidak dapat menggunakan hak memilih karena keterbatasan waktu yang disediakan oleh panitia pemilihan. Dalam pelaksanaan pemilihan, disediakan 3 jenis waktu perkuliahan, yaitu regular siang jam 08.00 – 17.00, malam jam 17.45 – 09.30, dan non-reguler diadakan perkuliahan jarak jauh atau online setiap akhir pekan. Untuk pemilihan biasanya mahasiswa reguler malam dan non reguler tidak melakukan voting atau pemilihan dikarenakan waktunya diadakan siang hari. Untuk mengatasi permasalahan tersebut perlunya sebuah sistem bisa digunakan dimana saja tanpa harus datang ke kampus. Salah satu sistem yang dapat digunakan adalah e-polvot atau elektronik polling dan voting. Namun untuk menghadirkan sistem tersebut perlu kesiapan baik dari infrastruktur maupun pengguna. Penelitian ini melakukan analisis terhadap kesiapan mahasiswa STMIK Amik Riau dalam penerimaan sistem e-polvot. Tujuan penelitian adalah menganalisis kesiapan mahasiswa menggunakan sistem e-polvot. Analisis kesiapan mahasiswa menggunakan model Technology Readiness Index (TRI). Model ini memiliki 4 variabel yaitu Optimism, Innovativeness, Discomfort dan Insecurity. Populasi yang digunakan dalam penelitian ini adalah seluruh mahasiswa STMIK Amik Riau dengan teknik total sampling. Hasil yang didapatkan pada penelitian ini yaitu mahasiswa STMIK Amik Riau siap untuk menerima sistem e-polvot. Hal ini dilihat dari nilai yang didapatkan dari pengukuran ini adalah 3,93 yang dikategorikan HIGH.   Abstract The Student Executive Board (BEM) plays a pivotal role in governing students and serves as a platform to express aspirations, both in terms of welfare and security, through both oral and written means to the university. BEM elections at the university are regularly conducted annually. However, in the BEM elections, some students are unable to exercise their voting rights due to time constraints set by the election committee. The election process offers three types of lecture schedules: regular daytime from 08:00 to 17:00, evening lectures from 17:45 to 09:30, and non-regular lectures held during weekends for distance or online learning. Consequently, regular evening and non-regular students often abstain from voting or participating in the election due to the daytime scheduling. To address this issue, a system is needed that can be accessed from anywhere without physically coming to the campus. One such system that can be used is the e-polvot or electronic polling and voting system. However, implementing such a system requires readiness in terms of infrastructure and user acceptance. This research aims to analyze the readiness of STMIK Amik Riau students in accepting the e-polvot system. The research objective is to assess the readiness of students in using the e-polvot system. The analysis of students' readiness utilizes the Technology Readiness Index (TRI) model, which consists of four variables: Optimism, Innovativeness, Discomfort, and Insecurity. The population used for this study comprises all students of STMIK Amik Riau, and the total sampling technique is employed. The findings of this research indicate that the students of STMIK Amik Riau are ready to accept the e-polvot system, as evidenced by a TRI score of 3.93, which falls into the "HIGH" category.
Pengembangan Deep Learning untuk Sistem Deteksi Dini Komplikasi Kaki Diabetik Menggunakan Citra Termogram Emhandyksa, Medycha; Soesanti, Indah; Susilowati, Rina
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 6: Desember 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023107382

Abstract

Prevalensi komplikasi kaki diabetik secara global mencapai 66% dengan resiko amputasi 20 kali lebih tinggi pada pasien diabetes mellitus. Tindakan pencegahan melalui deteksi dini komplikasi kaki diabetik mutlak dilakukan untuk meminimalisasi resiko amputasi. Penelitian sebelumnya menunjukkan validitas dan akurasi yang tinggi (mencapai 100%) dari sistem deteksi dini komplikasi kaki diabetik menggunakan termografi berbasis kecerdasan buatan. Namun sebagian besar penelitian tersebut terlalu berfokus pada peningkatan performa dan tidak memperhatikan aspek biaya komputasi yang berperan penting pada proses deployment model. Pada penelitian ini dirancang empat model deep convolutional neural network dengan prinsip Occam’s razor melalui pengaturan hyperparameter pada aspek struktur algoritma berupa jumah layer dan aspek optimasi berupa tipe optimizer. Penelitian bertujuan mengembangkan algoritma deep convolutional neural network untuk menghasilkan sistem deteksi dini komplikasi kaki diabetik dengan biaya komputasi terendah (jumlah parameter paling sedikit) dan mempertahankan kemampuan deteksi tetap tinggi (nilai rata-rata parameter evaluasi tertinggi). Data yang digunakan merupakan data primer berupa citra termogram telapak kaki dari RSUP. Dr. Sardjito Yogyakarta yang terdiri dari 20 subjek diabetes mellitus dan 20 subjek kontrol (sehat). Pengambilan data primer dilakukan menggunakan kamera thermal merek HIKMICRO B20 dengan resolusi inframerah 256x192 yang telah memenuhi standar internasional (IACT) untuk menghasilkan citra termogram dua dimensi. Hasil penelitian menunjukkan model 4 dengan Adam optimizer dan pengaturan hyperparameter tertentu merupakan model terbaik dengan jumlah parameter model paling sedikit yaitu 1.570.594 juta dan nilai rata-rata parameter evaluasi tetap tinggi sebesar 96%. Selain arsitektur deep convolutional neural network model 4, kontribusi penelitian yang didapatkan dari penelitian ini adalah penggunaan variasi ukuran filter 3x3, 2x2, dan 1x1 dengan jumlah convolutional layer yang tetap dan pengurangan jumlah hidden layer pada struktur algoritma mampu menurunkan jumlah parameter model dengan tetap mempertahankan kemampuan deteksi yang tinggi. Selain itu penelitian yang dilakukan merupakan penelitian pembuka atau pendahuluan mengenai perancangan sistem deteksi dini komplikasi kaki diabetik menggunakan termografi berbasis kecerdasan buatan deep learning di Indonesia.   Abstract The prevalence of diabetic foot complications globally reaches 66% with a 20 times higher risk of amputation in patients with diabetes mellitus. Preventive measures through early detection of diabetic foot complications are necessary to minimize the risk of amputation. Previous studies have shown high validity and accuracy (up to 100%) of the early detection system of diabetic foot complications using artificial intelligence-based thermography. However, most of these studies focused too much on improving performance and did not pay attention to the computational cost aspect. In this study, four deep convolutional neural network models were designed with Occam's razor principle through hyperparameter settings on the algorithm structure aspect in the form of number of layers and optimization aspect in the form of optimizer type. The research aims to develop a deep convolutional neural network algorithm to produce an early detection system for diabetic foot complications with the lowest computational cost (least number of parameters) and maintain high detection capability (highest average value of evaluation parameters). The data used is primary data in the form of foot thermogram images from the General Hospital. Dr. Sardjito Yogyakarta consisting of 20 diabetes mellitus subjects and 20 control (healthy) subjects. Primary data collection was carried out using a thermal camera brand HIKMICRO B20 with 256x192 infrared resolution that has met international standards (IACT) to produce a two-dimensional color thermogram image. The results show that model 4 with Adam optimizer and certain hyperparameter settings is the best model with the least number of model parameters, namely 1,570,594 million and the average value of evaluation parameters remains high at 96%. In addition to the deep convolutional neural network architecture model 4, the research contribution obtained from this research is the use of filter size variations of 3x3, 2x2, and 1x1 with a fixed number of convolutional layers and a reduction in the number of hidden layers in the algorithm structure can reduce the number of model parameters while maintaining high detection capability. In addition, the research conducted can be an opening or preliminary research on the design of an early detection system for diabetic foot complications using deep learning artificial intelligence-based thermography in Indonesia.
Model Prognosis Masa Pengobatan Pasien Tuberkulosis Dengan Metode C4.5 Rusdah, Rusdah; Bregastantyo, Brian Agni
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 6: Desember 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023107393

Abstract

Pasien Tuberkulosis mempunyai jangka waktu pengobatan yang relatif beragam karena tingkat kepatuhan tiap pasien untuk meminum obat sampai dengan habis dan jangka waktu yang sudah ditentukan oleh Dokter Spesialis Paru. Apabila salah diagnosa terkait dosis obat maka akan meningkatkan faktor resiko kesehatan yaitu dimana proses pengobatan akan lebih memakan waktu dan lebih lama karena adanya kondisi Multi-Drug Resistant. Hal ini yang harus menjadi perhatian semua pihak agat tingkat kegagalan atas proses pengobatan pasien Tuberkulosis harus ditekan se minimal mungkin. Faktor  kebiasaan pasien dan waktu minum obat pasien harus dijaga ketat agar masa pengobatan dapat lebih dipersingkat. Dokter Spesialis Paru berupaya untuk menekan tingkat Drop Out pasien Tuberkulosis dengan cara mengawasi jadwal mereka dengan pengelolaan yang baik. Oleh karena itu, dibutuhkan sistem untuk membantu proses prediksi masa pengobatan pasien dengan menerapkan Cross-Industry Standard Process for Data Mining (CRISP-DM) dan menggunakan pendekatan data mining dengan mengimplementasikan algoritma C4.5 setelah dilakukan eksplorasi data menggunakan beberapa algoritma untuk klasifikasi dengan tujuan untuk hasil akurasi performa model untuk prognosis masa pengobatan pasien tuberkulosis. Melalui tahap Data Understanding dan Data Preprocessing menghasilkan atribut baru yaitu Lama Pengobatan. Dengan menggunakan 596 record mendapatkan hasil akurasi sebesar 74.33%.   Abstract Tuberculosis patients have a relatively diverse treatment period because of the level of compliance of each patient to take the drug until it runs out and the time period has been determined by the Pulmonary Specialist. If a wrong diagnosis is related to drug dosage, it will increase health risk factors, namely where the treatment process will take more time and longer due to the Multi-Drug Resistant condition. This should be the concern of all parties so that the failure rate of the treatment process for tuberculosis patients must be kept to a minimum. The patient's habit factor and the patient's time to take medication must be closely monitored so that the treatment period can be shortened. Pulmonary Specialists try to reduce the Drop Out rate of Tuberculosis patients by monitoring their schedule with good management. Therefore, a system is needed to help predict the patient's treatment period by applying the Cross-Industry Standard Process for Data Mining (CRISP-DM) and using a data mining approach by implementing the C4.5 algorithm after exploring the data using several algorithms for classification with the aim of for the results of model performance accuracy for the prognosis of the treatment period of tuberculosis patients. Through the Data Understanding and Data Preprocessing stages, a new attribute is produced, namely the Length of Treatment. By using 596 records to get an accuracy of 74.33%.
Evaluasi User Experience Aplikasi “J-KOPI (Jember Kota Pintar)” Menggunakan Metode Survei Dengan User Experience Questionnaire Dan User Interview Sugiharto, Pradiptya Kahvi; Wijoyo, Satrio Hadi; Saputra, Mochamad Chandra
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 6: Desember 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023107430

Abstract

Aplikasi J-KOPI (Jember Kota Pintar) merupakan aplikasi yang dikembangkan oleh DISKOMINFO Pemkab Jember. Aplikasi J-KOPI bertujuan untuk menjadi “SuperApps” yang menyediakan beragam informasi dan berbagai layanan masyarakat yang terintegrasi dengan OPD (Organisasi Perangkat Daerah) dari Pemerintah Daerah Kabupaten Jember dalam satu aplikasi. Berdasarkan hasil observasi dan hasil wawancara dengan DISKOMINFO, ditemukan bahwa terdapat beberapa permasalahan yang terdapat pada aplikasi sehingga dapat menurunkan kualitas pengalaman pengguna. Penelitian ini bertujuan untuk melakukan evaluasi pengalaman pengguna pada aplikasi J-KOPI untuk memperbaiki masalah yang berkaitan dengan user experience dan memperbaiki aspek-aspek yang perlu ditingkatkan. Evaluasi ini menggunakan metode UEQ (“User Experience Questionnaire”) untuk mengukur level pengalaman pengguna pada aplikasi dan User Interview untuk menemukan masalah yang lebih detail. Evaluasi awal dengan 30 responden yang terdiri dari mahasiswa, masyarakat umum dan OPD menunjukkan bahwa aplikasi J-KOPI memiliki level user experience yang netral dan kategori UEQ benchmark yang “Dibawah rata-rata”. Selain itu, ditemukan 4 topik permasalahan yang terdiri dari 11 poin permasalahan. Berdasarkan permasalahan tersebut, dilakukan perancangan rekomendasi perbaikan yang dilanjutkan dengan pengujian ulang. Hasil perbaikan menunjukkan bahwa berhasil meningkatkan pengalaman pengguna terhadap seluruh aspek pada kuesioner UEQ dan peningkatan pengalaman pengguna pada benchmark UEQ untuk skala Attractiveness dan Stimulation mencapai kategori “sangat baik”. Sementara skala Perspicuity, Efficiency, Dependability dan Novelty mencapai kategori “baik”.   Abstract The J-KOPI (Jember SmartCity) application is developed by the DISKOMINFO Jember Regency Government. The J-KOPI application aims to become "SuperApps" that provides a variety of information and various community services integrated with the OPD (local government agency) of the Jember Regency Regional Government in one application. Based on observations and interviews with DISKOMINFO, it was found that there were several problems with the application that could reduce the quality of the user experience. This research aims to evaluate the user experience on the J-KOPI application to improve problems related to user experience and improve aspects that need to be improved. This evaluation uses the UEQ ("User Experience Questionnaire") method to measure the level of user experience in the application and User Interviews to find more detailed problems. Initial evaluation with 30 respondents consisting of students, the general public and OPD showed that the J-KOPI application had a neutral user experience level and the UEQ benchmark category was "Below average". In addition, 4 problem topics were found which consisted of 11 problem points. Based on these problems, recommendations for improvement were designed, followed by retesting. The improvement results show that it has succeeded in improving the user experience for all aspects of the UEQ questionnaire and the increase in user experience on the UEQ benchmark for the Attractiveness and Stimulation scales reached the "very good" category. Meanwhile, the Perspicuity, Efficiency, Dependability and Novelty scales reached the "good" category.
Kombinasi Seleksi Fitur Berbasis Filter dan Wrapper Menggunakan Naive Bayes pada Klasifikasi Penyakit Jantung Azizah, Siti Roziana; Herteno, Rudy; Farmadi, Andi; Kartini, Dwi; Budiman, Irwan
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 6: Desember 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023107467

Abstract

Penyakit jantung menjadi salah satu penyebab utama kematian bersama dengan penyakit lainnya. Dalam bidang teknologi, data mining dapat digunakan untuk mendiagnosa suatu penyakit yang bersumber dari data rekam medis pasien. Pada klasifikasi dataset medis, Naive Bayes merupakan salah satu metode terbaik yang digunakan. Tujuan dari penelitian ini adalah untuk mengetahui perbandingan hasil akurasi dari Naive Bayes menggunakan beberapa seleksi fitur yaitu Forward Selection, Backward Elimination, kombinasi union hasil seleksi fitur Forwad Selection dan Backward Elimination, Information Gain, Gain Ratio, dan kombinasi union hasil seleksi fitur Information Gain dengan Gain Ratio. Data yang digunakan dalam penelitian ini adalah data penyakit jantung yang didapatkan dari UCI Machine Learning Repository. Dari implementasi pemodelan yang akan dilakukan menghasilkan nilai akurasi tertinggi sebesar 91.80% pada algoritma Naive Bayes dengan kombinasi union hasil seleksi fitur Information Gain dan Gain Ratio menggunakan perbandingan data latih dan data uji 80:20. Sedangkan akurasi Naive Bayes dengan kombinasi union hasil seleksi fitur Forward Selection dan Backward Elimination hanya memiliki nilai akurasi sebesar 83.61%   Abstract Heart disease is one of the leading causes of death along with other diseases. In the field of technology, data mining can be used to diagnose a disease sourced from patient medical record data. In the classification of medical datasets, Naive Bayes is one of the best methods used. The purpose of this study is to determine the comparison of the accuracy results of Naive Bayes using several feature selections, namely Forward Selection, Backward Elimination, a combination of union of Forwad Selection and Backward Elimination feature selection results, Information Gain, Gain Ratio, and a combination of union of Information Gain feature selection results with Gain Ratio. The data used in this research is heart disease data obtained from the UCI Machine Learning Repository. From the implementation of modeling that will be carried out, the highest accuracy value is 91.80% in the Naive Bayes algorithm with a combination of union of Information Gain and Gain Ratio feature selection results using a ratio of training data and test data of 80:20. While the accuracy of Naive Bayes with a combination of union selection results of Forward Selection and Backward Elimination features only has an accuracy value of 83.61%.  
Model Hybrid untuk Prediksi Jumlah Penduduk yang Hidup dalam Kemiskinan Putra, Toni Wijanarko Adi; Solikhin, Solikhin; Abdillah, M Zakki
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 6: Desember 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023107484

Abstract

Kemiskinan merupakan permasalahan global yang saling berkaitan dengan permasalahan sosial lainnya. Sebagian besar negara berkembang di dunia pasti mengalami hal tersebut dan berusaha mencari solusi untuk mengentaskan kemiskinan, seperti yang terjadi di provinsi Jawa Tengah, Indonesia. Kemiskinan di Jawa Tengah mengalami fluktuasi selama lima tahun terakhir. Secara spesifik, menurut data Badan Pusat Statistik, jumlah penduduk miskin pada tahun 2018, 2019, 2020, 2021, dan 2022 sebanyak 3.897,20 ribu, 3.743,23 ribu, 3.980,90 ribu, 4.109,75 ribu, dan 3.831,44 ribu jiwa. Tinjauan terhadap naik turunnya kemiskinan pada tahun-tahun mendatang sangatlah penting. Untuk memerangi kemiskinan secara efektif, tidak hanya memahami penyebab kemiskinan tetapi memprediksi kemiskinan juga sangatlah penting. Penelitian ini bertujuan untuk memprediksi garis kemiskinan, jumlah penduduk miskin, dan persentase penduduk miskin di Jawa Tengah. Penelitian ini mengusulkan model peramalan hybrid untuk memperkirakan perubahan kemiskinan di Jawa Tengah. Di sini kami mengintegrasikan teknik statistik Holt-Winter triple exponential smoothing ke dalam fuzzy time series dengan pendekatan algoritma rate of change. Hasil uji kesalahan prediksi dengan metode Mean Absolute Percentage Error sangat kecil yaitu: garis kemiskinan sebesar 0,003%, jumlah penduduk miskin sebesar 0,005%, dan persentase penduduk miskin sebesar 0,004%. Temuan penelitian ini diyakini akan membantu pembuat kebijakan dalam mengembangkan strategi efektif untuk memerangi kemiskinan. Pengetahuan ini dapat menjadi dasar pengambilan keputusan alokasi sumber daya bagi pemerintah daerah dan pusat serta pembuat kebijakan.   Abstract Poverty is a global problem that is interconnected with other social problems. Most developing countries in the world certainly experience this and are trying to find solutions to alleviate poverty, as is the case in the province of Central Java, Indonesia. Poverty in Central Java has fluctuated over the last five years. Specifically, according to data from the Central Statistics Agency, the number of poor people in 2018, 2019, 2020, 2021, and 2022 is 3,897.20 thousand, 3,743.23 thousand, 3,980.90 thousand, 4,109.75 thousand, and 3,831.44 thousand people. A review of the rise and fall of poverty in the coming years is very important. To fight poverty effectively, not only understanding the causes of poverty but also predicting poverty is essential. The aim of this research is to predict the poverty line, number of poor people, and percentage of poor people in Central Java. This research proposes a hybrid forecasting model to estimate changes in poverty in Central Java. Here we integrate Holt-Winter's triple exponential smoothing statistical technique into fuzzy time series with a rate of change algorithm approach. The prediction error test results using the Mean Absolute Percentage Error method are very small, namely: the poverty line is 0.003%, the number of poor people is 0.005%, and the percentage of poor people is 0.004%. It is believed that the findings of this research will assist policymakers in developing effective strategies to combat poverty. This knowledge can be the basis for resource allocation decisions for local and central governments and policymakers.
Transformasi Kota Cerdas dalam Mitigasi Banjir: Pemodelan Curah Hujan DKI Jakarta dengan Pendekatan Spatial Vector Autoregressive (SpVAR) dan Pemetaan Bobot Queen Contiguity Melanwati, Rinda Lolita; Sumarminingsih, Eni; Pramoedyo, Henny
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 6: Desember 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023107537

Abstract

Perubahan iklim dan cuaca ekstrem menjadi tantangan global, termasuk di Indonesia, dengan peningkatan banjir di DKI Jakarta. Penanggulangan membutuhkan peramalan curah hujan yang akurat. Model VAR digunakan untuk memahami hubungan variabel cuaca. Namun, data deret waktu sering memiliki dimensi spasial. Oleh karena itu, dikembangkan model Spatial Vector Autoregressive (SpVAR) yang mempertimbangkan dimensi spasial dan waktu. Pembobot queen contiguity digunakan untuk representasi yang lebih akurat. Penelitian ini memanfaatkan data BPS DKI Jakarta dari Januari 2017 hingga Desember 2021. Hasilnya menunjukkan pengaruh spasial dalam model SpVAR (1,3) dengan bobot queen contiguity. Curah hujan, suhu, dan kelembaban udara saling mempengaruhi di wilayah diprediksi dan lainnya. Model ini penting dalam strategi mitigasi banjir dan kebijakan kota cerdas untuk mengurangi risiko banjir di DKI Jakarta.   Abstract Climate change and extreme weather pose global challenges, including in Indonesia, leading to increased floods in DKI Jakarta. Addressing this requires accurate rainfall forecasts. The VAR model is used to understand the relationships between weather variables. However, time series data often have spatial dimensions. Therefore, a Spatial Vector Autoregressive (SpVAR) model has been developed considering both spatial and temporal dimensions. Queen contiguity weighting is used for more accurate representation. This study utilizes BPS DKI Jakarta data from January 2017 to December 2021. The results show spatial influence in the SpVAR (1,3) model with queen contiguity weighting. Rainfall, temperature, and humidity mutually influence predicted and other areas. This model is crucial for flood mitigation strategies and smart city policies to reduce flood risks in DKI Jakarta.

Page 2 of 3 | Total Record : 25

 1   2   3 

Filter by Year

2023 2023


Reset
Filter By Issues
All Issue Vol 13 No 1: Februari 2026 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: Oktober 2015 Vol 2, No 2 (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