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 11 No 4: Agustus 2024" : 25 Documents clear
Perancangan Gim Edukasi Anak Usia Dini untuk Meningkatkan Pemahaman Pengenalan Angka Ramadhyono, Abdiel Wahyu; Jonemaro, Eriq Muhammad Adams; Afirianto, Tri
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 4: Agustus 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.1147377

Abstract

Pendidikan sudah diberikan kepada anak-anak sejak usia balita. Oleh karena itu, lembaga pendidikan Taman Kanak-kanak (TK) didirikan. Metode pembelajaran yang sering digunakan adalah “Belajar Sambil Bermain” sehingga terdapat istilah untuk alat permainan yang dirancang untuk tumbuh kembang anak yaitu Alat Permainan Edukatif (APE). Namun tidak semua guru TK dapat mengaplikasikan APE ke dalam sistem pengajaran untuk mencapai kompetensi yang diharapkan berdasarkan kurikulum pendidikan, terutama TK yang masih memiliki fasilitas pembelajaran yang tingkatnya menengah ke bawah. Para guru dari salah satu TK tersebut mengalami kendala dalam mengenalkan konsep angka kepada siswa tingkat A. Penelitian ini ditujukan untuk merancang sebuah APE berupa gim edukasi untuk mengenalkan konsep angka kepada siswa TK tersebut. Gim tersebut dirancang menggunakan MDA (mechanics, dynamics, aesthetics) Framework yaitu sebuah tool yang digunakan untuk merancang atau menganalisis sebuah gim dengan membaginya menjadi tiga komponen: mechanic (rules), dynamic (gameplay), dan aesthetic (fun). Metode pengembangan yang digunakan adalah Iterative. Setelah rancangan selesai, dilakukan One Group Pretest-Posttest yang menghasilkan nilai rata-rata pretest sebesar 41,67% dan nilai rata-rata posttest meningkat menjadi 75%, serta fun test menggunakan Smileyometer menunjukkan nilai 4,48 dari 5, menunjukkan bahwa anak-anak menikmati bermain gim tersebut.   Abstract   Education has been given to children since they were toddlers. Hence, the Kindergarten program is established. One of the most used teaching methods is “Learning While Playing” and the toys designed to help children’s development are called Educational Game Tools. Unfortunately, some kindergarten teacher cannot apply it to their teaching system, particularly kindergarten with low-level teaching facility. The teachers are having trouble teaching the concept of numbers to their kindergarteners in group A. This research is intended to design an educational game to introduce the concept of numbers for their students. The educational game is designed using MDA (mechanics, dynamics, aesthetics) Framework, a tool used to design or analyze a game by dividing it into three components: mechanic (rules), dynamic (gameplay), and aesthetic (fun). The development method used is Iterative. After the design was completed, a One Group Pretest-Posttest was conducted, resulting in an average pretest score of 41.67% and an increased average posttest score of 75%, and a fun test using a Smileyometer showed a score of 4.48 out of 5, indicating that the children enjoyed playing the game.
Analisis Sentimen E-Learning X Terhadap Antarmuka Pengguna Menggunakan Kombinasi Multinomial Naive Bayes Dan Pendekatan Design Thinking Huda, Baenil; Sembiring, Irwan; Setiawan, Iwan; Manongga, Danny; Purnomo, Hindriyanto Dwi; Hendry, Hendry; Fauzi, Ahmad; Lia Hananto, April; Tukino, Tukino
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 4: Agustus 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.1147686

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap antarmuka e-learning X menggunakan kombinasi Multinomial Naive Bayes dan pendekatan Design Thinking. Permasalahan yang dihadapi adalah banyaknya feedback negatif terkait antarmuka pengguna yang dianggap kurang intuitif. Data sentimen dari ulasan pengguna diklasifikasikan menggunakan algoritma Multinomial Naive Bayes, sementara Design Thinking digunakan untuk merancang solusi antarmuka yang lebih user-friendly. Hasilnya menunjukkan bahwa metode ini efektif meningkatkan sentimen positif pengguna, dengan perbaikan signifikan dalam pengalaman dan kepuasan pengguna terhadap antarmuka e-learning X, Serta rekomendasi untuk pengembangan aplikasi e-learning.   Abstract   This research aims to analyze user sentiment towards the e-learning interface X using a combination of Multinomial Naive Bayes and Design Thinking approaches. The problem faced was the large number of negative feedback regarding the user interface which was considered less intuitive. Sentiment data from user reviews is classified using the Multinomial Naive Bayes algorithm, while Design Thinking is used to design more user-friendly interface solutions. The results show that this method is effective in increasing positive user sentiment, with significant improvements in user experience and satisfaction with the X e-learning interface As well as recommendations for developing e-learning applications.
Komparasi Kinerja Algoritma Blocking Pada Proses Indexing Untuk Deteksi Duplikasi Amin, M. Miftakul; Dwitayanti, Yevi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 4: Agustus 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.1148080

Abstract

Proses integrasi data dari heterogeneous data sources memerlukan kualitas data yang baik. Salah satu ciri kualitas data yang baik adalah terhindar dari terjadinya duplikasi data. Untuk melakukan deteksi duplikasi, langkah yang dapat dilakukan adalah membandingkan setiap record dalam sebuah dataset sehingga membentuk candidate record pair. Teknik blocking digunakan untuk proses indexing yang dapat mengurangi jumlah pasangan record dalam proses deteksi duplikasi. Penelitian ini bertujuan untuk melakukan perbandingan beberapa algoritma blocking sehingga diperoleh rekomendasi algoritma mana yang paling optimal digunakan. Penelitian ini melakukan investigasi terhadap 6 buah algoritma blocking, yaitu Soundex, NYSIIS, Metaphone, Double Metaphone, Jaro Winkler Similarity, dan Cosine Similarity. Dataset yang digunakan dalam penelitian ini adalah dataset restaurant yang berisi 112 record, yang di dalamnya terdapat beberapa record yang terindikasi duplikat. Hasil penelitian menunjukkan bahwa algoritma NYSIIS memberikan hasil record blocking paling optimal, yaitu sebesar 97 record. Sedangkan algoritma Soundex dan Cosine Similarity memberikan hasil yang paling optimal, yaitu sebesar 8 buah candidate record pair. Sedangkan dari sisi waktu eksekusi algoritma Soundex dan NYSIIS memberikan proses yang paling cepat dengan durasi 0,04 detik.   Abstract   The process of integrating data from heterogeneous data sources requires good data quality. One of the characteristics of good data quality is avoiding data duplication. To perform duplication detection, a step that can be done is to compare each record in a dataset to form a candidate record pair. The blocking algorithm is used for the indexing process which can reduce the number of record pairs in the duplication detection process. This research aims to compare several blocking algorithms so as to obtain recommendations on which algorithm is most optimally used. This research investigates 6 blocking algorithms, namely Soundex, NYSIIS, Metaphone, Double Metaphone, Jaro Winkler Similarity, and Cosine Similarity. The dataset used in this research is a restaurant dataset containing 112 records, in which there are several records that indicate duplicates. The results showed that the NYSIIS algorithm provided the most optimal record blocking results, which amounted to 97 records. While the Soundex and Cosine Similarity algorithms provide the most optimal results, which are 8 candidate record pairs. In terms of execution time, the Soundex and NYSIIS algorithms provide the fastest process with a duration of 0.04 seconds.
Deteksi Dan Klasifikasi Hama Potato Beetle Pada Tanaman Kentang Menggunakan YOLOV8 Manurung, Daniel Geoffrey; Pinasthika, Mohammad Ryan; Vasya, Muhammad Azka Obila; Putri, Rania Aprilia Dwi Setya; Tampubolon, Agustinus Parasian; Prayata, Rakan Fadhil; Nisa, Septia Khoirin; Yudistira, Novanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 4: Agustus 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.1148092

Abstract

Kentang (Solanum tuberosum L.) adalah tanaman pangan penting dengan nilai ekonomi yang tinggi dan menyumbang gizi yang besar bagi manusia. Produksi kentang terhambat oleh serangan penyakit dan hama potato beetle (Leptinotarsa decemlineata Say). Hama ini secara signifikan mempengaruhi hasil panen kentang maka perlu penanganan yang efektif untuk mencegah penurunan produksi yang berkelanjutan. Metode yang digunakan untuk mendeteksi dan mengklasifikasikan potato beetle adalah Convolutional Neural Network (CNN) yang merupakan algoritma jaringan syaraf tiruan yang efektif dalam pengolahan citra. Model YOLOv8 (You Only Look Once) diimplementasikan untuk mendeteksi objek pada gambar dengan mengidentifikasi posisi dan kelas dari potato beetle. Data yang digunakan untuk pelatihan adalah menggunakan framework PyTorch yang telah dipecah menjadi data training, data validation, dan data test. Hasil penelitian menunjukkan model yang dikembangkan memiliki tingkat akurasi yang memadai dalam mendeteksi dan mengklasifikasikan potato beetle. Evaluasi model melibatkan pengukuran Mean Average Precision (mAP) dan F1-Score berdasarkan konsep Precision dan Recall. Secara keseluruhan, model ini mencapai mAP50 sebesar 81,8%, yang mengindikasikan tingkat keseluruhan akurasi deteksi yang baik. Namun perlu perbaikan dalam mAP50-95 untuk mengukur akurasi deteksi pada tingkat lebih ketat. Model ini mampu mengklasifikasikan objek dengan precision sebesar 78,1% dan recall sebesar 89,8%. Dalam evaluasi kelas objek individu, model ini berhasil mendeteksi objek guk (potato beetle) dengan tingkat akurasi mencapai precision sebesar 88,1% dan recall sebesar 90,3%. Sedangkan objek lich juga mendapatkan hasil precision 72,8% dan recall 76,8%. Namun, perlu diperhatikan bahwa mAP50-95 pada objek lich menunjukkan penurunan yang lebih tinggi dibandingkan dengan objek guk.   Abstract   Potato (Solanum tuberosum L.) is a vital food crop with high economic value and a significant source of nutrition for humans. The production of potatoes is hindered by the infestation of the potato beetle (Leptinotarsa decemlineata Say), a pest that significantly impacts potato yields. Effective measures are needed to prevent sustained decreases in production. The Convolutional Neural Network (CNN) algorithm, which is effective in image processing, is utilized for the detection and classification of potato beetles. The YOLOv8 (You Only Look Once) model is implemented to detect objects in images, identifying the position and class of potato beetles. The data used for training is divided into training, validation, and testing datasets using the PyTorch framework. The research results indicate that the developed model achieves an adequate level of accuracy in detecting and classifying potato beetles. Model evaluation involves measurements of Mean Average Precision (mAP) and F1-Score based on Precision and Recall concepts. Overall, the model achieves an mAP50 of 81,8%, indicating a good overall detection accuracy level. However, there is room for improvement in mAP50-95 to measure detection accuracy at stricter levels. This model is capable of classifying objects with a precision of 78,1% and a recall of 89,8%. In the evaluation of individual object classes, the model successfully detects potato beetles with a precision of 88,1% and a recall of 90,3%. Meanwhile, the "lich" object achieves a precision of 72,8% and a recall of 76,8%. It should be noted that the mAP50-95 for the "lich" object shows a higher decrease compared to the "guk" object.
Model Klasifikasi Dengan Logistic Regression Dan Recursive Feature Elimination Pada Data Tidak Seimbang Sutarman; Arisandi, Dedy; Kurniawan, Edi; Nababan, Erna Budhiarti; Siringoringo, Rimbun
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 4: Agustus 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.1148198

Abstract

Logistic Regression merupakan metode pengklasifikasi yang sangat populer dan digunakan secara luas pada berbagai penelitian. Logistic Regression dapat memberikan hasil yang baik pada masalah klasifikasi maupun prediksi. Fitur dataset yang besar mengakibatkan beban komputasi,  dan  menurunkan kinerja klasifikasi. Terdapat tiga dataset yang digunakan pada penelitian ini yaitu Bank marketing, Glass, dan Musk II. Dataset tersebut bersumber dari  UCI Repository dan memiliki karakteristik yang berbeda. Ada dua tantangan penggunaan dataset tersebut, yaitu ketidakseimbangan kelas, dan jumlah fitur yang besar. Ada dua tahapan utama pada penelitian ini, yaitu pemrosesan awal dan klasifikasi.  Tahapan pemrosesan awal menerapkan seleksi  fitur melalui recursive feature elimination, dan penyeimbangan data menggunakan teknik  SMOTE. Tahapan klasifikasi menerapkan Logistic Regression. Teknik ridge regression (L2-regularization) diterapkan untuk menghindari overfitting pada tahap validasi model LR.  Evaluasi kinerja model didasarkan pada matrik konfusi dan grafik ROC. Hasil penelitian menunjukkan bahwa seleksi fitur dan peyeimbangan kelas memiliki dampak yang baik. Melalui ROC, model LR+RFE+SMOTE memiliki luas sebesar 93%. Hasil ini lebih baik dibanding dengan empat model klasifikasi lainnya, yaitu  Naïve Bayes, Decision Tree, K-NN, dan Random Forest.   Abstract   Logistic regression is a widely popular classification method extensively used in various studies. Logistic regression can yield good results in classification and prediction problems. The extensive features of the dataset can lead to computational burdens and reduced classification performance. Three datasets were utilized in this research: Bank Marketing, Glass, and Musk II. The dataset is sourced from the UCI Repository and contains various characteristics. There are two challenges associated with using this dataset: class imbalance and a large number of features. There are two main stages in this research: initial processing and classification. At the initial processing stage, feature selection is conducted through recursive feature elimination, and data balancing is achieved using the SMOTE technique. The classification stage applies logistic regression. The ridge regression technique (L2-regularization) is applied to prevent overfitting during the validation stage of the linear regression model. The model performance evaluation is based on confusion matrices and ROC graphs. The research results show that feature selection and class balancing have a positive impact. Through the Receiver Operating Characteristics (ROC) analysis, the LR+RFE+SMOTE model achieved an area under the curve of 93%. These results are better than those of four other classification models, namely Naïve Bayes, Decision Tree, K-NN, and Random Forest.
Optimasi Klasifikasi Sentimen Komentar Pengguna Game Bergerak Menggunakan Svm, Grid Search Dan Kombinasi N-Gram Iriananda, Syahroni Wahyu; Budiawan, Renaldi Widi; Rahman, Aviv Yuniar; Istiadi, Istiadi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 4: Agustus 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.1148244

Abstract

Game online telah menjadi fenomena budaya signifikan dalam industri yang berkembang pesat. Pengguna dan pengembang game menggunakan analisis sentimen untuk memahami opini dan ulasan pemain, yang membantu dalam pengembangan dan peningkatan game. Penelitian ini melakukan klasifikasi sentimen menggunakan algoritma Support Vector Machine (SVM) dengan penerapan teknik N-Gram untuk seleksi fitur. Grid Search (GS) digunakan untuk optimasi hyperparameter guna mencapai akurasi optimal. Eksperimen dilakukan dengan berbagai skenario, termasuk variasi jumlah data, pengaturan hyperparameter, rasio dataset pelatihan dan pengujian, serta konfigurasi N-Gram. Kinerja model dinilai menggunakan metrik seperti Akurasi, Presisi, Recall, dan Area di Bawah Kurva ROC (AUC). Hasil menunjukkan bahwa dengan dataset gabungan (Allgame) dan integrasi fitur seleksi N-Gram Unigram, Bigram, dan Trigram (UniBiTri), model ini mencapai akurasi 87,3%, presisi 88,5%, recall 85,5%, dan AUC 0,9081, menggunakan kernel Fungsi Basis Radial (RBF) dengan validasi silang k-fold (k=10).   Abstract   Online gaming has become a significant cultural phenomenon within a rapidly expanding industry. Game users and developers leverage sentiment analysis to understand player opinions and reviews, which subsequently guide game development and enhancements. In this study, sentiment classification was performed using the Support Vector Machine (SVM) algorithm, employing N-Gram techniques for feature selection. Grid Search (GS) was utilized for hyperparameter optimization to achieve the highest possible accuracy. To evaluate the impact of these methods, experiments were conducted across various scenarios, including different data quantities, hyperparameter settings, training and testing dataset ratios, and N-Gram configurations. The performance of the classification model was assessed using metrics such as Accuracy, Precision, Recall, and the Area Under the ROC Curve (AUC). The results of the study indicate that by using 3600 rows from a combined dataset (Allgame) and integrating Unigram, Bigram, and Trigram (UniBiTri) N-Gram selection features, along with k-fold cross-validation (k=10) and the Radial Basis Function (RBF) kernel, the model effectively classifies user reviews. Specifically, the model achieved an accuracy of 87.3%, precision of 88.5%, recall of 85.5%, and an AUC of 0.9081.
Perbandingan Instance Segmentation Image Pada Yolo8 Wulanningrum, Resty; Handayani, Anik Nur; Wibawa, Aji Prasetya
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 4: Agustus 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.1148288

Abstract

Seorang pejalan kaki sangat rawan terhadap kecelakaan di jalan. Deteksi pejalan kaki merupakan salah satu cara untuk mengidentifikasi atau megklasifikasikan antara orang, jalan atau yang lainnya. Instance segmentation adalah salah satu proses untuk melakukan segmentasi antara orang dan jalan. Instance segmentation dan penggunaan yolov8 merupakan salah satu implementasi dalam deteksi pejalan kaki. Perbandingan segmentasi pada dataset Penn-Fundan Database menggunakan yolov8 dengan model yolov8n-seg, yolov8s-seg, yolov8m-seg, yolov8l-seg, yolov8x-seg. Penelitian ini menggunakan dataset publik pedestrian atau pejalan kaki dengan objek multi person yang diambil dari dataset Penn-Fudan Database. Dataset mempunyai 2 kelas, yaitu orang dan jalan. Hasil perbandingan penggunaan model yolov8 model segmentasi yang terbaik adalah menggunakan model yolov8l-seg. Hasil penelitian didapatkan Instance segmentation valid box pada data orang, mAP50 tertinggi pada yolov8l-seg dengan nilai 0,828 dan mAP50-95 adalah 0,723. Instance segmentation valid mask pada orang nilai mAP50 tertinggi pada yolov8l-seg dengan nilai 0,825 dan mAP50-95 adalah 0,645. Pada penelitian ini, yolov8l-seg menjadi nilai terbaik dibandingkan versi yang lain, karena berdasarkan nilai mAP tertinggi pada valid mask sebesar 0,825.   Abstract   A pedestrian is very vulnerable to road accidents. Pedestrian detection is one way to identify or classify between people, roads or others. Instance segmentation is one of the processes to segment people and roads. Instance segmentation and the use of yolov8 is one of the implementations in pedestrian detection. Comparison of segmentation on Penn-Fundan Database dataset using yolov8 with yolov8n-seg, yolov8s-seg, yolov8m-seg, yolov8l-seg, yolov8x-seg models. This research uses a public pedestrian dataset with multi-person objects taken from the Penn-Fudan Database dataset. The dataset has 2 classes, namely people and roads. The results of the comparison using the yolov8 model, the best segmentation model is using the yolov8l-seg model. The results obtained Instance segmentation valid box on people data, the highest mAP50 on yolov8l-seg with a value of 0.828 and mAP50-95 is 0.723. Instance segmentation valid mask on people the highest mAP50 value on yolov8l-seg with a value of 0.825 and mAP50-95 is 0.645. In  his study, yolov8l-seg is the best value compared to other versions, because based on the highest mAP value on the valid mask of 0.825.
Pengaruh Tahapan Preprocessing Terhadap Model Indobert Dan Indobertweet Untuk Mendeteksi Emosi Pada Komentar Akun Berita Instagram Khairani, Ulfia; Mutiawani, Viska; Ahmadian, Hendri
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 4: Agustus 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.1148315

Abstract

Platform media sosial seperti Instagram telah membentuk ruang di mana berita dapat dengan mudah ditemukan dan menarik perhatian individu. Pada Instagram, dapat memberikan komentar-komentar terhadap berita yang telah dibaca. Pemahaman terhadap emosi yang mengiringi komentar-komentar yang telah diberikan pengguna pada postingan berita dapat membantu memahami bagaimana berita tersebut diserap, diinterpretasi, dan direspons oleh publik. Penelitian ini mengkategorikan empat emosi yaitu marah, senang, takut, dan sedih dengan menggunakan model terlatih IndoBERT dan IndoBERTweet. Penelitian ini bertujuan untuk membandingkan model IndoBERT dan IndoBERTweet dalam mendeteksi emosi pada komentar akun berita Instagram dan mengeksplorasi dampak penggunaan tahapan preprocessing khususnya remove stopwords dan stemming pada kedua model. Hasil penelitian menunjukkan bahwa model yang tidak melalui tahapan remove stopwords dan stemming menghasilkan kinerja yang lebih baik dibandingkan model yang melalui tahapan remove stopwords dan stemming, dengan perolehan akurasi sebesar 92,54% untuk model IndoBERTweet dan 88,81% untuk model IndoBERT.   Abstract   Social media platforms such as Instagram have created a space where news can be easily discovered and attract the attention of individuals. On Instagram, people can provide comments on the news they have read. Understanding the emotions that accompany the comments that users have given on news posts can help understand how the news is absorbed, interpreted and responded to by the public. This research categorizes four emotions, anger, happiness, fear and sadness, using pre-trained models IndoBERT and IndoBERTweet. This research aims to compare the IndoBERT and IndoBERTweet models in detecting emotions in Instagram news account comments and explore the impact of preprocessing stages, especially removing stopwords and stemming on both models. The research results showed that the model that did not go through the remove stopwords and stemming stages produced better performance than the model that went through the remove stopwords and stemming stages, with an accuracy of 92.54% for the IndoBERTweet model and 88.81% for the IndoBERT model.
Analisis Faktor-Faktor Penentu Kepuasan Pengguna Layanan Paylater Dengan Pendekatan Regresi Linier Kastaman; Komala Sari, Siska; Fahrudin, Tora; Nugroho, Heru
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 4: Agustus 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.1148343

Abstract

Pelanggan suka membayar sekarang dengan uang tunai, kartu debit, dan perbankan online. Di sisi lain, mereka suka membayar nanti dengan pinjaman dan kartu kredit. Bayar nanti yang dikenal sekarang dengan nama paylater semakin populer, dan banyak orang lebih suka menggunakannya daripada cara pembayaran lainnya. Namun, paylater telah memiliki cukup banyak pelanggan untuk studi yang dapat melihat kepuasan pengguna. Oleh karena itu, penelitian ini mencoba mencari tahu faktor apa saja yang membuat pelanggan puas dengan layanan paylater. Metode penelitian yang dipakai adalah kualitatif dengan cara survei terhadap 280 mahasiswa dengan rata-rata kelompok usia 15-20 tahun, adapun faktor-faktor yang diteliti setelah dilakukan studi literatur untuk mencari kekuatan hubungan antara lima variabel independen : program studi, jenis kelamin, pendapatan bulanan, pengeluaran bulanan, dan kesadaran terhadap paylater terhadap variabel dependen, yaitu kepuasan konsumen terhadap layanan paylater, dianalisis menggunakan regresi linier berganda. Hasilnya hanya dua variabel yang berpengaruh positif terhadap kepuasan pelanggan yaitu program studi yang diasumsikan sebagai program studi teknik dan non teknik dan kesadaran terhadap paylater. Kami menyimpulkan bahwa jika ada latar belakang program studi teknik dan non teknik, dengan kesadaran terhdap paylater artinya pengtahuan dari paylater baik dari sisi keuntungan dan segala resikonya meningkat maka kepuasan pelanggan akan tercapai. Temuan penelitian ini menambah apa yang telah diketahui dengan menghubungkan kepuasan pengguna paylater dengan ide-ide yang telah diteliti di lingkungan teknologi lainnya.   Abstract Customers like to pay now with cash, debit cards, and online banking. On the other hand, they like to pay later with loans and credit cards. Pay later known now as paylater is growing in popularity, and many people prefer to use it over other means of payment. However, paylater has had enough customers for a study that can look at user satisfaction. Therefore, this study tries to find out what factors make customers satisfied with the paylater service. The research method used is qualitative by means of a survey of 280 students with an average age group of 15-20 years, while the factors studied after conducting a literature study to find the strength of the relationship between the five independent variables: study program, gender, monthly income, monthly expenses, and awareness of paylater to the dependent variable, namely customer satisfaction with paylater services, were analysed using multiple linear regression. The results show that only two variables have a positive effect on customer satisfaction: study programme, which is assumed to be engineering and non-engineering study programme, and paylater awareness. We conclude that if there is an engineering and non-engineering study programme background, with an awareness of paylater meaning that the knowledge of paylater both in terms of benefits and risks increases, customer satisfaction will be achieved. The findings of this study add to what is already known by linking paylater user satisfaction to ideas that have been researched in other technology environments.  
Simulasi Kerumunan NPC Pada Game “Pengenalan Uin Malang” Menggunakan Metode Flocking Pratama, Dicky Arya; Mitachul Arif, Yunifa; Nugroho, Fresy
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 4: Agustus 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.1148377

Abstract

Penelitian ini mengimplementasikan metode flocking untuk mensimulasikan perilaku kerumunan pada NPC dalam game "Pengenalan UIN Malang" untuk menciptakan perilaku berkerumun yang realistis. Meskipun kerumunan NPC tanpa metode memiliki waktu tempuh lebih cepat, kerumunan NPC dengan metode flocking memberikan perilaku berkerumun yang interaktif dengan tingkat usability yang baik. Hasil evaluasi menggunakan System Usability Testing menunjukkan skor usability yang memadai. Implementasi ini berhasil menciptakan pengalaman berinteraksi yang lebih baik, meskipun waktu tempuhnya tidak secepat NPC tanpa metode.   Abstract   This research implements the flocking method to simulate crowd behavior on NPCs in the game "Introduction to UIN Malang" to create realistic crowding behavior. Although NPC crowding without a method has a faster travel time, NPC crowding with the flocking method provides interactive swarming behavior with a good level of usability. Evaluation results using System Usability Testing show adequate usability scores. This implementation succeeded in creating a better interaction experience, although the travel time was not as fast as NPCs without the method.

Page 1 of 3 | Total Record : 25

 1   2   3 

Filter by Year

2024 2024


Reset
Filter By Issues
All Issue 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 (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