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 6: Desember 2024" : 25 Documents clear
Klasifikasi Penyakit Alzheimer Dari Scan Mri Otak Menggunakan Convnext Austin, Yehezkiel Stephanus; Irfano, Haikal; Christopher, Juan Young; Sukma, Lintang Cahyaning; Putra, Octo Perdana; Ardhanto, Riyadh Ilham; Yudistira, Novanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024118117

Abstract

Penyakit Alzheimer adalah gangguan neurodegeneratif yang menyebabkan penurunan fungsi kognitif yang signifikan. Penanganan penyakit ini dapat dilakukan melalui deteksi dini untuk meningkatkan kualitas kehidupan pasien melalui perawatan medis yang efisien dan tepat waktu. Teknologi machine learning dan neural network dapat mendukung deteksi dini melalui penggunaan model ConvNeXt yang telah dilatih dengan metode transfer learning menggunakan bobot awal dari ImageNet, dan di-fine-tune untuk mengklasifikasikan empat tingkat keparahan Alzheimer berdasarkan hasil pemindaian MRI otak, yaitu Mild Demented, Moderate Demented, Non Demented, dan Very Mild Demented. Penelitian ini akan menghasilkan model h5 dengan akurasi yang lebih baik daripada model lain sehingga dapat di-deploy pada aplikasi atau website untuk membantu deteksi dini klasifikasi tingkat keparahan Alzheimer.   Abstract   A Alzheimer's disease is a neurodegenerative disorder that causes significant cognitive decline. Early detection is crucial for managing this disease to improve patients' quality of life through efficient and timely medical care. Machine learning and neural network technology can support early detection through the use of the ConvNeXt model, which has been trained using transfer learning with initial weights from ImageNet and fine-tuned to classify four stages of Alzheimer's severity based on brain MRI scans: Non Demented, Very Mild Demented, Mild Demented, and Moderate Demented. This research will produce an h5 model with better accuracy than other models, enabling it to be deployed in applications or websites to assist in the early detection and classification of Alzheimer's severity.    
Deteksi Spam Berbahasa Indonesia Berbasis Teks Menggunakan Model Bert Amin, Muhammad Basil Musyaffa; Hakim, Gibran; Maulana, Muhammad Taufik; Alwan, Muhammad Fajrul; Anggraheni, Hanna Shafira; Naufal, Muhammad Jilan; Yudistira, Novanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024118121

Abstract

Spam pada SMS dan Email menyebabkan pengalaman kurang menyenangkan bagi pengguna dalam pemanfaatan teknologi. Spam secara umum merupakan sebuah tindakan mengirim pesan yang tidak diinginkan atau tidak diminta kepada sejumlah besar orang. Spam kini dapat ditemui dalam berbagai bentuk, seperti web maupun multimedia. Penelitian ini bertujuan untuk mengevaluasi model berbasis BERT, khususnya IndoBERT dan MultilingualBERT, dalam mendeteksi dan mengklasifikasi spam berbahasa Indonesia pada pesan SMS dan Email. Model yang dipilih kemudian dilatih untuk mengidentifikasi perbedaan antara pesan spam dan bukan spam. Hasil evaluasi pada percobaan menggunakan dataset SMS dan Email memiliki nilai akurasi sebesar 98% pada model IndoBERT dan 95% pada model MultilingualBERT, yang menunjukkan tingkat akurasi yang tinggi. Hasil ini menunjukkan bahwa model BERT efektif dalam mendeteksi pesan spam dalam Bahasa Indonesia.   Abstract Spam on SMS and Email causes an unpleasant experience for users in using technology. Spam in general is the act of sending unwanted or unsolicited messages to a large number of people. Spam can now be found in various forms, such as web and multimedia. This research aims to evaluate BERT-based models, specifically IndoBERT and MultilingualBERT, in detecting and classifying Indonesian spam in SMS and Email messages. The selected model is then trained to identify the differences between spam and non-spam messages. Evaluation results in experiments using SMS and Email datasets have an accuracy value of 98% in the IndoBERT model and 95% in the MultilingualBERT model, which shows a high level of accuracy. These results indicate that the BERT model is effective in detecting spam messages in Indonesian.
Segmentasi Pelanggan Majalah pada Situs Web E-Commerce dengan K-Means++ dan Metode RFM Tampubolon, Andrew Lomaksan Manuel; Butar Butar, Thio Marta Elisa Yuridis; Rochimah, Siti
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024118208

Abstract

Segmentasi pelanggan merupakan salah satu metode yang dapat diterapkan untuk memaksimalkan peluang bisnis. Hal tersebut dapat membantu bisnis agar tetap kompetitif dalam persaingan pasar. Penerapan Artificial Intelligence (AI) dapat membantu dalam memberikan pemahaman kepada pelaku bisnis tentang segmentasi pelanggan berdasarkan riwayat transaksi. Penelitian ini menerapkan metode Recency, Frequency, and Monetary (RFM) yang dipadukan dengan algoritma clustering K-Means++ untuk melakukan segmentasi pelanggan. Silhouette score menjadi indikator pemilihan nilai k yang paling optimal dalam menentukan jumlah cluster. Kerangka kerja CRISP-DM yang digunakan dalam makalah ini juga membantu mempertahankan proses analisis yang konsisten. Pendekatan statistik sederhana ddigunakan untuk mengklasifikasikan setiap fitur dalam RFM menjadi label low, medium, dan high dalam hal menangkap pola segmentasi pelanggan. Hasil eksperimen menunjukkan nilai k = 3 sebagai yang paling optimal berdasarkan nilai WSS sebesar 843,214747 dan silhouette score sebesar 0,638181. Eksperimen juga menunjukkan bahwa cluster 0 memiliki nilai RFM rata-rata sebesar 1,14 (low), 1,20 (low), dan 301.640 (low). Cluster 1 memiliki nilai RFM rata-rata sebesar 249,61 (high), 2,62 (medium), dan 799,934 (medium). Cluster 2 memiliki nilai RFM rata-rata sebesar 233,01 (medium), 6,41 (high), dan 2018,088 (high).   Abstract Customer segmentation is one method that can be applied to maximize business opportunities. It can help businesses remain competitive in the market competition. The application of Artificial Intelligence (AI) can assist in providing business stakeholders with an understanding of customer segmentation based on transaction history. This study applies the Recency, Frequency, and Monetary (RFM) method combined with the K-Means++ clustering algorithm for customer segmentation. The Silhouette score serves as an indicator for selecting the most optimal value of k to determine the number of clusters. The CRISP-DM framework used in this paper also helps maintain a consistent analysis process. A simple statistical approach is used to classify each RFM feature into low, medium, and high labels to capture customer segmentation patterns. Experimental results show that k = 3 is the most optimal value based on a WSS value of 843.214747 and a silhouette score of 0.638181. The experiments also indicate that Cluster 0 has average RFM values of 1.14 (low), 1.20 (low), and 301,640 (low). Cluster 1 has average RFM values of 249.61 (high), 2.62 (medium), and 799,934 (medium). Cluster 2 has average RFM values of 233.01 (medium), 6.41 (high), and 2018.088 (high).
Analisis Masalah Dan Solusi Live Streaming Shopping: Tinjauan Literatur Sistematis Nandhita Zefania Maharani; Purwandari, Betty; Eitiveni, Imairi; Hakiki Purwaningsih , Erisva
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024118613

Abstract

Live streaming shopping menjadi bentuk kegiatan jual beli secara online yang berkembang pesat bersamaan dengan meningkatnya pengguna e-commerce. Penelitian sebelumnya cenderung fokus pada faktor-faktor yang mempengaruhi niat pengguna untuk melakukan pembelian dalam konteks live streaming shopping. Namun, untuk memahami lebih baik tantangan dan solusi yang terkait dengan live streaming shopping, diperlukan tinjauan literatur yang komprehensif berdasarkan penelitian terdahulu. Penelitian ini bertujuan untuk mengidentifikasi masalah yang terkait dengan live streaming shopping dan mengusulkan solusi teknis dan non-teknis untuk mengatasi masalah tersebut. Data penelitian diperoleh dari 5 database, yaitu ACM, AIS eLibrary, IEEE, ProQuest, dan Scopus, yang mencakup periode publikasi dari tahun 2018 hingga 2023. Analisis data dilakukan dengan menggunakan pendekatan Kitchenham Systematic Literature Review. Hasil penelitian ini akan menampilkan tabel yang merangkum teori yang digunakan, dampak yang menjadi fokus penelitian, serta masalah dan solusi yang terkait dengan lima proses utama dalam live streaming shopping, yaitu product promotion, merchant’s proposition, platform features, purchase decision, dan policy development. Selain itu, penelitian ini juga akan mengusulkan strategi pemasaran yang dapat diadopsi oleh penjual berdasarkan temuan dari penelitian sebelumnya. Penelitian ini diharapkan dapat memberikan wawasan kepada peneliti dan praktisi di bidang e-commerce terkait dengan fenomena live streaming shopping sebagai pertimbangan untuk penelitian berikutnya.
Optimasi Pertanian Padi: Peramalan Curah Hujan Berbasis Arima Untuk Penentuan Waktu Tanam Yang Tepat Defiyanti, Sofi; Nurina Sari, Betha; Nur Padilah, Tesa
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024118682

Abstract

Pertumbuhan dan produksi padi tidak dapat dilepaskan dari pengaruh yang kuat dari perubahan iklim. Perubahan iklim dengan anomali yang tinggi pada beberapa tahun belakang menyebabkan ancaman bagi produksi pertanian khususnya tanaman padi. Maka diperlukan metode yang dapat dipergunakan untuk mengoptimalkan hasil produksi pertanian salah satunya adalah dengan menentukan kapan waktu tanam terbaik untuk tanaman padi menggunakan kalender tanam. Peramalan menggunakan metode ARIMA dapat dilakukan untuk meramalkan curah hujan yang akan datang, sehingga dapat diketahui kapan waktu terbaik untuk awal tanam. Prediksi curah hujan dasarian telah dilakukan dengan menggunakan metode ARIMA (1,0,1) yang berasal dari data histori selama 5 tahun di provinsi Jawa Barat pada stasiun Klimatologi Jawa Barat dengan nilai AIC terkecil 2078,28. Prediksi curah hujan dasarian dihasilkan untuk Desember dasarian ke-3 tahun 2023 sampai Juni dasarian ke-2 tahun 2024 Hasil prediksi menunjukkan bahwa waktu tanam padi yang optimal dimulai pada bulan November dasarian ke-3, ketika curah hujan diperkirakan mencapai lebih dari 50 mm/dasarian selama beberapa dasarian berikutnya. Prediksi ini sejalan dengan prakiraan cuaca dari BMKG untuk awal musim hujan 2023/2024 di Jawa Barat.   Abstract Growth and production of rice cannot be separated from the strong influence of climate change. Recent years of high climate anomalies have posed a threat to agricultural production, particularly rice cultivation. Therefore, methods are needed to optimize agricultural production, one of which is determining the best planting time for rice using a planting calendar. Forecasting using the ARIMA method can be used to predict future rainfall, helping to identify the best time to start planting. Dasarian rainfall predictions have been conducted using the ARIMA (1,0,1) method based on historical data over five years from West Java province at the West Java Climatology Station, yielding the smallest AIC value of 2078.28. The dasarian rainfall forecast was generated for the period from December in the 3rd dasarian of 2023 to June in the 2nd dasarian of 2024. The results indicate that the optimal time to plant rice begins in November in the 3rd dasarian, when rainfall is expected to exceed 50 mm/dasarian for several subsequent dasarians. This prediction aligns with the weather forecast from BMKG for the start of the rainy season in 2023/2024 in West Java.
Pemanfaatan Internet Of Things (Iot) Dalam Proses Pengeringan Rimpang Dengan Menggunakan Platform Node-Red Suprianto, Gaguk
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024118684

Abstract

  Di Indonesia, tumbuhan rimpang dikenal sebagai sumber bahan pengobatan tradisional. Bahan-bahan tersebut dapat dijadikan minuman herbal dalam bentuk serbuk. Salah satu pengolahan produk tersebut berupa pengeringan yang merupakan proses penting dalam industri herbal dan memiliki implikasi langsung terhadap kualitas akhir produk. Penelitian ini bertujuan untuk meningkatkan efisiensi pengeringan rimpang, menjaga konsistensi kualitas produk dan optimasi proses produksi. Sehingga industri akan memperoleh manfaat mulai dari peningkatan kualitas rimpang, waktu pengeringan yang lebih singkat, peningkatan kapasitas produksi dan pengurangan biaya produksi. Teknologi Internet of Things dapat dimanfaatkan untuk proses pengeringan rimpang sebagai sistem otomatisasi, kendali dan pemantauan yang dapat dilakukan secara jarak jauh melalui aplikasi mobile. Lebih dari itu, dengan IoT data sensor yang diperoleh terkelola di database untuk keperluan analisa. Hasil uji lapangan untuk pengujian error diperoleh rata-rata persentase error 1,5% dan pengujian akurasi diperoleh rata-rata persentase akurasi sebesar 98,49%. Merujuk pada hasil tersebut menunjukkan bahwa sensor thermocouple dapat diandalkan. Untuk pengukuran kadar air kunyit dengan berat awal 30 Kg memerlukan waktu selama 7 jam untuk mencapai kadar air 9-10%. Hal ini karena batas atas suhu yang diatur sebesar 50ºC untuk menjaga kandungan nutrisi pada rimpang. Pemanfaatan Internet of Things terbukti dapat digunakan untuk membantu proses pengeringan rimpang baik dari pemantauan dan pengendalian perangkat melalui aplikasi mobile. Diharapkan penelitian ini menjadi suatu rujukan untuk industri herbal yang ingin meningkatkan kualitas produk dengan biaya yang produksi yang minimum.   Abstract In Indonesia, rhizome plants are known as a source of traditional medicinal ingredients. These ingredients can be made into herbal drinks in powder form. One of the product processes is drying, which is an important process in the herbal industry and has direct implications for the final quality of the product. This research aims to increase the efficiency of rhizome drying, maintain consistent product quality and optimize the production process. So the industry will gain benefits starting from improving rhizome quality, shorter drying time, increasing production capacity and reducing production costs. Internet of Things technology can be used for the rhizome drying process as an automation, control and monitoring system that can be done remotely via a mobile application. Moreover, with IoT the sensor data obtained is managed in a database for analysis purposes. Field test results for error testing obtained an average error percentage of 1.5% and accuracy testing obtained an average accuracy percentage of 98.49%. Referring to these results shows that the thermocouple sensor is reliable. To measure the water content of turmeric with an initial weight of 30 kg, it takes 7 hours to reach a water content of 9-10%. This is because the upper temperature limit is set at 50ºC to maintain the nutritional content of the rhizomes. It has been proven that the use of the Internet of Things can be used to assist the rhizome drying process by monitoring and controlling devices via mobile applications. It is hoped that this research will become a reference for the herbal industry that wants to improve product quality with minimum production costs.
Prediksi Mahasiswa Drop-Out Di Universitas XYZ Marzuqi, Tubagus Ahmad; Kristiani, Evelline; Marcel
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024118689

Abstract

Akreditasi dan reputasi merupakan faktor krusial bagi setiap perguruan tinggi, termasuk Universitas XYZ. Salah satu hal yang dapat memengaruhi akreditasi adalah jumlah mahasiswa yang mengalami drop-out (DO). Untuk mencegah penurunan akreditasi dan reputasi akibat masalah tersebut, penelitian ini berfokus pada pengembangan model prediksi mahasiswa DO. Algoritma Random Forest, Gradient Boosting, dan Decision Tree digunakan untuk mengevaluasi seberapa akurat model klasifikasi dalam memprediksi potensi mahasiswa DO berdasarkan data akademik. Sebelum membangun model, digunakan metode SMOTE untuk menangani masalah ketidakseimbangan data. Hasil penelitian menunjukkan bahwa model prediksi menggunakan algoritma Random Forest berhasil mencapai akurasi sebesar 99,67%. Algoritma Gradient Boosting menghasilkan akurasi 99,21%, sementara Decision Tree mencapai akurasi sebesar 98,67%. Selain mengukur akurasi model, penelitian ini juga mengidentifikasi faktor-faktor utama yang berkontribusi terhadap prediksi mahasiswa DO. Faktor-faktor tersebut meliputi adanya tunggakan pembayaran, IPK rata-rata di bawah 2, jumlah mata kuliah yang diulang lebih dari satu kali, dan kegagalan dalam melakukan KRS lebih dari dua kali. Penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam bidang prediksi akademik, khususnya dalam upaya mengurangi tingkat mahasiswa drop-out (DO) di perguruan tinggi.   Abstract Accreditation and reputation are critical factors for higher education institutions, including XYZ University. One factor that can negatively impact accreditation is the number of students who drop out (DO). To prevent a decline in accreditation and reputation due to this issue, this study aims to develop a predictive model for student dropouts. The Random Forest, Gradient Boosting, and Decision Tree algorithms were utilized to evaluate the accuracy of classification models in predicting potential dropouts using academic baseline data. Prior to model building, the SMOTE method was applied to address the issue of imbalanced data. The results indicate that the predictive model using the Random Forest algorithm achieved an accuracy of 99.67%. The Gradient Boosting algorithm yielded an accuracy of 99.21%, while the Decision Tree algorithm achieved 98.67% accuracy. In addition to determining model accuracy, this study also identified key factors contributing to the prediction of student dropouts. These factors include outstanding payment history, a GPA below 2.0, repeating courses more than once, and failing to register for courses (KRS) more than twice. This research is expected to make a significant contribution to the field of academic prediction, particularly in efforts to reduce the dropout (DO) rate among university students.  
Analisis Sentimen Pada Sosial Media Twitter Terhadap Kualitas Jaringan Internet Telkomsel Menggunakan Ensemble K-Nearest Neighbour -Support Vector Machine Angkoso, Cucun Very; Fatah, Doni Abdul; Fachrudin, Muchammad Farchan
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024118713

Abstract

Di Indonesia, PT Telekomunikasi Seluler, yang mengoperasikan layanan jaringan internet seluler melalui Telkomsel, merupakan salah satu perusahaan penyedia layanan internet. Opini pengguna Telkomsel mengenai kualitas layanan jaringan internet sering dijadikan representasi kepuasan pengguna, yang menjadi indikator penilaian dan evaluasi bagi perusahaan. Analisis sentimen, dengan melakukan klasifikasi opini pengguna ke dalam kelas positif, negatif, atau netral, dapat digunakan sebagai metode untuk mengukur kepuasan pengguna terhadap layanan tersebut. Dalam penelitian analisis sentimen ini menggunakan model algoritma machine learning yaitu K-Nearest Neighbour, Support Vector Machine, dan Ensemble KNN-SVM yang berbasis majority vote dan berbasis average. Dalam penelitian ini data yang diambil berasal dari Twitter dengan rentang waktu 7 Juli 2020 hingga 31 Desember 2022 dengan total jumlah data sebesar 30004 data dan diambil sampel yang diberi label sebesar 3900 data. Dari penggunaan data sampel tersebut, nilai akurasi pada model KNN pada K=15 memberikan hasil akurasi sebesar 83.21%, model SVM pada C=100 memberikan hasil akurasi sebesar 84.33%, model Ensemble KNN-SVM Majority Vote atau Hard Vote memberikan hasil akurasi sebesar 83.26%, dan model Ensemble KNN-SVM Average atau Soft Vote memberikan hasil akurasi sebesar 84.79%. Selain itu keempat model tersebut melakukan prediksi sentimen terhadap data yang belum dilabel dan keempat model tersebut memprediksi mayoritas sentimennya yaitu negatif. Sehingga dapat disimpulkan bahwa opini masyarakat terhadap kualitas layanan jaringan internet telkomsel adalah negatif. Secara keseluruhan, penggunaan model klasifikasi KNN, SVM, dan Ensemble KNN-SVM dalam melakukan analisis sentimen dapat dikatakan baik dan mampu untuk memprediksi sentimen pada sebuah data yang belum berlabel dan yang berlabel.   Abstract In Indonesia, PT Telekomunikasi Cellular, which operates cellular internet network services through Telkomsel, is one of the internet service provider companies. Telkomsel users' opinions regarding the quality of internet network services are often used as a representation of user satisfaction, which is an indicator of assessment and evaluation for the company. Sentiment analysis, by classifying user opinions into positive, negative, or neutral classes, can be used as a method to measure user satisfaction with the service. This sentiment analysis research uses machine learning algorithm models, namely K-Nearest Neighbor, Support Vector Machine, and KNN-SVM Ensemble which are majority vote-based and average-based. In this study, the data taken came from Twitter with a period of July 7, 2020, to December 31, 2022, with a total amount of data of 30004 data and a labeled sample of 3900 data was taken. From the use of the sample data, the accuracy value of the KNN model at K = 15 gave an accuracy result of 83.21%, the SVM model at C = 100 gave an accuracy result of 84.33%, the KNN-SVM Majority Vote or Hard Vote Ensemble model gave an accuracy result of 83.26%, and the KNN-SVM Average or Soft Vote Ensemble model gave an accuracy result of 84.79%. In addition, the four models predict sentiment against unlabeled data and all four models predict the majority of sentiment is negative. So it can be concluded that public opinion on the quality of Telkomsel's internet network services is negative. Overall, the use of KNN, SVM, and Ensemble KNN-SVM classification models in conducting sentiment analysis can be said to be good and able to predict sentiment on unlabeled and labeled data.  
Penerapan Metode Weighted Product (WP) Dalam Sistem Pendukung Keputusan Penerimaan Karyawan Pada Dewata Store Fakfak Rumui, Nelson; Nur Rolan Niah, Cahya; Rumalutur, Fathurrahman; Sakinah, Nur
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024118739

Abstract

Perekrutan  karyawan  penting bagi perusahaan untuk mendapatkan karyawan baru yang potensial guna mendukung produktivitas perusahaan. Dewata Store Fakfak merupakan perusahaan dagang yang melayani penjualan dan pembelian aneka kebutuhan masyarakat. Namun rekrutmen karyawan Dewata Store Fakfak masih dilakukan secara manual di mana pelamar masih membawa berkas secara langsung dan perusahaan sering kali kesulitan karena banyaknya calon karyawan sehingga proses rekrutmen masih membutuhkan waktu yang lama. Oleh karena itu, diperlukan suatu sistem penunjang pengambilan keputusan dengan menggunakan pendekatan solusi multi-kriteria dan metode Weighted Product (WP), di mana banyak kriteria yang perlu diperhatikan dalam pemilihan karyawan. Dalam mengimplementasikan metode WP untuk penentuan penerimaan karyawan di Dewata Store Fakfak melalui langkah berikut:(1) penentuan alternatif, (2) Penentuan Kriteria, (3) Penentuan tingkat kepentingan setiap kriteria, (4) Penentuan bobot, (5) Penentuan nilai setiap alternatif di setiap kriteria, (6) Penentuan kategori (cost/benefit) di setiap kriteria, (7) Melakukan normalisasi, (8) Menghitung nilai vektor S, (9) Menghitung nilai vektor S, dan (10) Melakukan perankingan. Penelitian ini ditentukan berdasarkan 9 (sembilan) kriteria yaitu wawancara, tes kepribadian, tes matematika, surat lamaran, CV, KTP, ijazah terakhir, SKCK dan surat kesehatan dengan 10 data sampel. Pada pengujian sistem, metode yang digunakan adalah black box testing, di mana  keseluruhan pengujian berhasil dilakukan. Tujuan penelitian ini menghasilkan sebuah sistem pendukung keputusan dalam proses penerimaan karyawan baru di Dewata Store Fakfak. Hasil penelitian ini dimaksudkan untuk memudahkan pengambilan keputusan dalam mengidentifikasi karyawan berdasarkan kebutuhan dan kriteria Dewata Store Fakfak.   Abstract Employee recruitment is important for companies to get potential new employees to support company productivity. Dewata Store Fakfak is a trading company that serves sales and purchases of various community needs. However, recruitment of Dewata Store Fakfak employees is still done manually where applicants still bring files directly and the company often has difficulties because of the large number of prospective employees so the recruitment process still takes a long time. Therefore, a decision support system is needed using a multi-criteria solution approach and the Weighted Product (WP) method, where many criteria need to be considered in employee selection. In implementing the WP method for determining employee recruitment at the Dewata Store Fakfak through the following steps:(1) determining alternatives, (2) Determining Criteria, (3) Determining the level of importance of each criterion, (4) Determining weights, (5) Determining the value of each alternative in each criterion, (6) Determining the category (cost/benefit) in each criterion, (7) Carrying out normalization, (8) Calculating the S vector value, (9) Calculating the S vector value, and (10) Ranking. This research was determined based on 9 (nine) criteria, namely interview, personality test, mathematics test, application letter, CV, KTP, latest diploma, SKCK and health certificate with 10 sample data. In system testing, the method used is black box testing, where the entire test is carried out successfully. The aim of this research is to produce a decision support system in the process of accepting new employees at Dewata Store Fakfak. The results of this research are intended to facilitate decision making in identifying employees based on the needs and criteria of Dewata Store Fakfak.
Analisis Perubahan Luas Lahan Hijau Di Kota Bogor Dengan Citra Landsat 8 Menggunakan Normalized Difference Vegetation Index Anggraeni, Irma; Runanto; Denih, Asep
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024118771

Abstract

Kota Bogor adalah salah satu daerah di Provinsi Jawa Barat yang mempunyai laju pertumbuhan penduduk yang meningkat. Jumlah penduduk yang semakin bertambah tentu saja mempengaruhi bertambahnya kebutuhan manusia akan penggunaan lahan untuk prasarana seperti permukiman, sosial ekonomi dan jasa. Penggunaan lahan untuk prasarana sangatlah berdampak terhadap berkurangnya lahan pertanian dan hutan yang secara otomatis dapat mengurangi tingkat kerapatan vegetasi. Penelitian ini bertujuan untuk menganalisis perubahan luas lahan hijau di Kota Bogor dari tahun 2015 hingga tahun 2020 dengan citra landsat 8 menggunakan Normalized Difference Vegetation Index (NDVI). Pada penelitian ini menggunakan data citra landsat 8 collection 2 level 2 dari tahun 2015 hingga tahun 2020 dengan path sebesar 122 dan row sebesar 45 sebanyak 137 citra dan peta administrasi Kota Bogor. Dari 137 citra diperoleh 7 citra tanpa awan yang dilakukan proses analisis perhitungan nilai NDVI untuk mengetahui luas wilayah vegetasi dan wilayah tanpa vegetasi. Proses klasifikasi nilai NDVI untuk kelas vegetasi dan tanpa vegetasi dilakukan menggunakan metode ambang batas (threshold). Berdasarkan proses penelitian yang telah dilakukan untuk luas wilayah vegetasi di Kota Bogor dari tahun 2015 - 2020 mengalami kenaikan sebesar 4,46 Km2 dengan laju perubahan lahan sebesar 14,4%. Kenaikan luas wilayah vegetasi yang terbesar terjadi di kecamatan Bogor Selatan dengan laju perubahan lahan sebesar 4,7% relatif terhadap Kota Bogor dengan perubahan lahan sebesar 1,45 Km2.   Abstract Bogor City is one of the areas in West Java Province that has an increasing population growth rate. The growing population certainly affects the increasing human need for land use for infrastructure such as settlements, socio-economic and services. The use of land for infrastructure has a significant impact on the reduction of agricultural land and forests, which can automatically reduce the level of vegetation density. This study aims to analyze the changes in green land area in Bogor City from 2015 to 2020 with Landsat 8 imagery using the Normalized Difference Vegetation Index (NDVI) and in this study using Landsat 8 collection 2 level 2 image data from 2015 to 2020 with a path of 122 and a row of 45, as many as 137 images and administrative maps of Bogor City. Of the 137 images, seven cloudless photos were obtained by the NDVI value calculation process to determine the area of vegetation and the non-vegetation regions. The process of classifying NDVI values for vegetation and non-vegetation classes is carried out using the threshold method. Based on the research process that has been carried out for the area of vegetation in Bogor City from 2015 - 2020, it has increased by 4,46 Km2 with a land change rate of 14.4%. The most significant increase in vegetation area occurred in the South Bogor sub-district with a land change rate of 4.7% compared to Bogor City with a land change of 1,45 Km2.

Page 2 of 3 | Total Record : 25

 1   2   3 

Filter by Year

2024 2024


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 (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