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
Analisis Sentimen Berbahasa Inggris Dengan Metode Lstm Studi Kasus Berita Online Pariwisata Bali Krisna Sedana, Ngakan Made; Sedana, Ngakan Made Krisna; Wijaya, I Nyoman Saputra Wahyu; Arthana, I Ketut Resika
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.2024118792

Abstract

Semaikin berkembangnya pariwisata di Bali, persepsi terhadap berita yang beredar tentang pariwisata menjadi faktor penting yang memengaruhi citra destinasi wisata tersebut. Namun, analisis sentimen terhadap berita pariwisata berbahasa Inggris seringkali menghadapi tantangan, terutama karena kompleksitas bahasa dan ketidakseimbangan data sentimen. Penelitian ini bertujuan untuk memperdalam pemahaman mengenai tren dan isu terkini yang berhubungan tentang industri pariwisata Bali melalui analisis sentimen berdasarkan konten berita. Fokus utama penelitian adalah pada berita pariwisata Bali yang diunggah dalam portal media online internasional, khususnya dari Australia dan Inggris. Analisis sentimen dilakukan menggunakan model machine learning LSTM (Long-Term Memory), dengan data berita yang telah diberi label sentimen oleh pakar sesuai dengan isi berita. Pembagian dataset optimal adalah 90% untuk data pelatihan dan 10% untuk data pengujian. Hasil penelitian menunjukkan bahwa model LSTM berhasil mencapai tingkat akurasi sebesar 81,36%. Selanjutnya, untuk mengidentifikasi pola topik yang tersembunyi dan mengelompokkan berita dengan topik atau isu serupa, digunakan metode LDA (Latent Dirichlet Allocation). Penelitian ini mengungkap bahwa jumlah topik yang ideal bervariasi tergantung pada nilai kohesi yang diperoleh dari sentimen data yang digunakan. Implikasi temuan ini dapat memberikan wawasan lebih dalam tentang persepsi dan respon terhadap berita pariwisata Bali, sekaligus menunjukkan potensi aplikasi model machine learning dan metode LDA dalam analisis tren industri pariwisata.   Abstract As tourism in Bali continues to grow, perceptions of news circulating about tourism have become an important factor influencing the image of the tourist destination. However, sentiment analysis of English-language tourism news often faces challenges, especially due to the complexity of the language and the imbalance of sentiment data. This research aims to deepen understanding of the latest trends and issues related to the Bali tourism industry through sentiment analysis based on news content. The main focus of the research is on Bali tourism news uploaded on international online media portals, especially from Australia and England. Sentiment analysis is carried out using the LSTM (Long-Term Memory) machine learning model, with news data that has been labeled with sentiment by experts according to the content of the news. The optimal dataset division is 90% for training data and 10% for testing data. The research results show that the LSTM model succeeded in achieving an accuracy level of 81.36%. Furthermore, to identify hidden topic patterns and group news with similar topics or issues, the LDA (Latent Dirichlet Allocation) method is used. This research reveals that the ideal number of topics varies depending on the cohesion value obtained from the sentiment data used. The implications of these findings can provide deeper insight into perceptions and responses to Bali tourism news, as well as showing the potential application of machine learning models and LDA methods in analyzing tourism industry trends.
Klasifikasi Ekspresi Wajah Menggunakan Covolutional Neural Network Taufiq Akbar, Ahmad; Akbar, Ahmad Taufiq; Saifullah, Shoffan; Prapcoyo, Hari
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.2024118888

Abstract

Pengenalan ekspresi wajah adalah tantangan penting dalam pengolahan citra dan interaksi manusia-komputer karena kompleksitas dan variasi yang ada. Penelitian ini mengusulkan arsitektur sederhana Convolutional Neural Network (CNN) untuk meningkatkan efisiensi klasifikasi emosi pada dataset kecil. Dataset yang digunakan adalah Jaffe, yang terdiri dari 213 citra berukuran 256x256 piksel dalam tujuh kategori ekspresi. Citra-citra tersebut di-resize menjadi 128x128 piksel untuk mempercepat pemrosesan. Data diproses menggunakan arsitektur CNN yang terdiri dari 3 lapisan konvolusi, 2 lapisan subsampling, dan 2 lapisan dense. Kami mengevaluasi model dengan 5-fold dan 10-fold cross-validation untuk estimasi kinerja yang robust, serta teknik hold-out (70:30, 80:20, 85:15, dan 90:10) untuk perbandingan hasil yang jelas. Hasil menunjukkan akurasi tertinggi sebesar 90.6% dengan learning rate 0.001 pada pembagian 85% data latih dan 15% data uji, melebihi model yang lebih kompleks. Meskipun tidak menggunakan transfer learning atau augmentasi data, model ini tetap unggul dibandingkan pendekatan tradisional seperti Local Binary Pattern (LBP) dan Histogram Oriented Gradient (HOG). Dengan demikian, arsitektur CNN yang sederhana ini terbukti efektif untuk pengenalan ekspresi wajah pada dataset kecil.   Abstract Facial expression recognition is a significant challenge in image processing and human-computer interaction due to its inherent complexity and variability. This study proposes a simple Convolutional Neural Network (CNN) architecture to enhance the efficiency of emotion classification on small datasets. Jaffe's dataset consists of 213 images sized 256x256 pixels across seven expression categories. These images were resized to 128x128 pixels to accelerate processing. The data was processed using a CNN architecture comprising 3 convolutional layers, 2 subsampling layers, and 2 dense layers. We evaluated the model with 5-fold- and 10-fold cross-validation for robust performance estimation and hold-out techniques (70:30, 80:20, 85:15, and 90:10) for clear result comparison. The results indicated the highest accuracy of 90.6% with a learning rate of 0.001 using the 85% training and 15% testing data split, surpassing that of more complex models. Although the model does not employ transfer learning or data augmentation, it still outperforms traditional approaches such as Local Binary Pattern (LBP) and Histogram Oriented Gradient (HOG). Thus, this simple CNN architecture proves effective for facial expression recognition on small datasets.
Pengembangan Internet Of Things (IOT) Dalam Perekaman Data Iklim Mikro Dengan Platform Thingsboard Nurwarsito, Heru; Adaby, Resnu Wahyu
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.2024118987

Abstract

Tantangan terbesar pada sektor Pertanian di Indonesia adalah perubahan iklim. Adanya Perubahan iklim memicu perubahan lingkungan yang berimbas pada perubahan respons tanaman. Penelitian ini membahas Teknologi Internet of things (IoT) dalam perekaman data iklim mikro dengan thingsboard. Metode yang digunakan dalam penelitian ini adalah eksperimental dengan perancangan pada penelitian ini terdiri dari perancangan node sensor dan perancangan sistem perekaman dengan platform Thingsboard. Penelitian ini dilakukan dengan tujuh pengujian di antaranya pengujian konektivitas gateway dengan GSM, pengujian jarak dan kualitas sinyal, pengujian delay, pengujian daya tahan perangkat, pengujian integrasi The Things Network dengan Thingsboard, pengujian akurasi sensor dan kalibrasi, serta pengujian packet loss. Penelitian ini menemukan hasil Gateway memiliki jaringan GSM yang stabil sehingga Gateway mampu mengirimkan pembaruan status ke The Things Network dan mampu untuk menerima data yang ditransmisikan oleh node sensor. Selain itu, Pada perangkat LoRa diidentifikasi memiliki batas jangkauan sekitar 350 meter ke dalam UB Forest hal ini didukung dengan hasil dari pengujian kehilangan paket dengan hasil pada node LC dengan jarak 150 meter nilai kehilangan paket sebesar 4%, dan node BAU dengan jarak 200 meter hingga 300 m nilai kehilangan paket sebesar 8%. Penelitian ini juga menemukan bahwa integrasi antara The Things Network (TTN) dan Thingsboard pada sistem LoRa berhasil dilakukan tanpa kendala. Sistem juga memiliki poin plus yang ramah pengguna dan efektif untuk aplikasi pemantauan data iklim mikro. Penelitian ini juga melibatkan proses kalibrasi dengan menggunakan metode regresi untuk menunjukkan tingkat keberhasilan dan nilai akurasi dengan hasil hampir mendekati 100%.   Abstract The biggest challenge in the agricultural sector in Indonesia is climate change. Climate change triggers environmental changes that have an impact on changes in plant responses. This study discusses Internet of things (IoT) technology in recording microclimate data with Thingsboard. The method used in this study is experimental with the design in this study consisting of designing sensor nodes and designing a recording system with the Thingsboard platform. This research was conducted with seven tests including gateway connectivity testing with GSM, distance and signal quality testing, delay testing, device durability testing, The Things Network integration testing with Thingsboard, sensor accuracy and calibration testing, and packet loss testing. This research found that Gateway has a stable GSM network so that Gateway is able to send status updates to The Things Network and is able to receive data transmitted by sensor nodes. LoRa devices were identified as having a range limit of about 350 meters into UB Forest, this is supported by the results of packet loss testing with results on LC nodes with a distance of 150 meters packet loss value of 4%, and BAU nodes with a distance of 200 meters to 300 m packet loss value of 8%. This research also found that the integration between The Things Network (TTN) and Thingsboard on the LoRa system was successfully carried out without problems. The system also has plus points that are user-friendly and effective for microclimate data monitoring applications. This research also involves a calibration process using regression methods to show the success rate and accuracy value with results approaching 100%.
Analisis Perbandingan Model Bert Dan Xlnet Untuk Klasifikasi Tweet Bully Pada Twitter Radillah, Teuku; Veza, Okta; Defit, Sarjon
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.2024119096

Abstract

Fenomena bullying di media sosial, khususnya di Twitter, telah menjadi isu yang semakin memprihatinkan dengan dampak signifikan terhadap kesehatan mental pengguna. Dalam rangka mengatasi masalah ini, deteksi otomatis tweet yang mengandung konten bullying menjadi sangat penting. Penelitian ini bertujuan untuk membandingkan performa dua model pemrosesan bahasa alami terbaru, yaitu BERT (Bidirectional Encoder Representations from Transformers) dan XLNet, dalam klasifikasi tweet yang mengandung bullying. Metodologi penelitian ini melibatkan pengumpulan dataset tweet yang telah dilabeli sebagai bullying atau non-bullying. Proses preprocessing teks dilakukan untuk membersihkan dan menyiapkan data sebelum digunakan dalam pelatihan model. Kedua model, BERT dan XLNet, dilatih dan diuji menggunakan dataset yang sama. Evaluasi performa dilakukan dengan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa kedua model memiliki kemampuan yang baik dalam mengidentifikasi tweet bullying, akan tetapi XLNet menunjukkan performa yang lebih unggul dibandingkan BERT dengan tingkat akurasi sebesar 95%. Dengan nilai presisi  = 100%, recall  = 0,87%, dan F1-score = 0,88%. XLNet mampu menangkap konteks dan nuansa bahasa yang lebih kompleks dalam tweet, yang berkontribusi pada akurasi klasifikasi yang lebih tinggi. Penelitian ini memberikan kontribusi penting dalam bidang deteksi bullying di media sosial dengan menunjukkan bahwa penggunaan model XLNet lebih efektif dibandingkan BERT. Temuan ini dapat membantu platform seperti Twitter dalam mengidentifikasi dan mencegah konten bullying, sehingga menciptakan lingkungan online yang lebih aman bagi pengguna, serta dapat digunakan sebagai dasar untuk pengembangan sistem deteksi bullying yang lebih canggih dan efisien di masa depan.   Abstract The phenomenon of bullying on social media, particularly on Twitter, has become an increasingly concerning issue with significant impacts on users' mental health. In order to address this issue, automatic detection of tweets containing bullying content is crucial. This study aims to compare the performance of two recent natural language processing models, namely BERT (Bidirectional Encoder Representations from Transformers) and XLNet, in the classification of tweets containing bullying. The research methodology involves collecting a dataset of tweets that have been labelled as bullying or non-bullying. Text preprocessing is done to clean and prepare the data before it is used in model training. Both models, BERT and XLNet, were trained and tested using the same dataset. Performance evaluation was conducted using accuracy, precision, recall, and F1-score metrics. The results show that both models have a good ability to identify bullying tweets, but XLNet shows superior performance compared to BERT with an accuracy rate of 95%. With precision = 100%, recall = 0.87%, and F1-score = 0.88%. XLNet is able to capture more complex context and language nuances in tweets, which contributes to higher classification accuracy. This research makes an important contribution to the field of bullying detection on social media by showing that the use of the XLNet model is more effective than BERT. These findings can help platforms like Twitter identify and prevent bullying content, thereby creating a safer online environment for users, and can be used as a basis for the development of more sophisticated and efficient bullying detection systems in the future.
Prioritas Investasi Keamanan Informasi Menggunakan Analytic Network Process (ANP) Bagi Pemerintah Daerah Provinsi Kalimantan Tengah Haris, Ruby; Muhammad, Alva Hendi; Nasiri, Asro
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.2024119245

Abstract

Keamanan informasi menjadi fokus utama bagi Pemerintah Daerah Provinsi Kalimantan Tengah, terutama dalam menghadapi ancaman siber yang semakin kompleks. Walaupun telah ada inisiatif dari Pemerintah Pusat seperti Indeks Keamanan Informasi (KAMI) yang diperkenalkan oleh Badan Siber dan Sandi Negara (BSSN), implementasi di tingkat daerah masih dihadapkan dengan berbagai tantangan. Kendala utama yang dihadapi adalah terbatasnya anggaran, kekurangan sumber daya manusia yang berkualitas, serta rendahnya kesadaran tentang pentingnya keamanan informasi. Penelitian ini menghipotesiskan bahwa dengan penerapan metode Analytic Network Process (ANP), Pemerintah Daerah dapat lebih efektif menentukan prioritas dalam investasi keamanan informasi, sehingga risiko ancaman siber dapat diminimalkan secara signifikan. Solusi yang diusulkan adalah penggunaan metode ANP untuk menangani hubungan antar kriteria yang saling terkait dan memberikan panduan prioritas yang komprehensif antara aspek teknologi, sumber daya manusia, dan kebijakan. Survei dilakukan terhadap pengambil keputusan dan pengelola teknis terkait keamanan informasi. Hasil penelitian menunjukkan bahwa pengambil keputusan lebih memprioritaskan kerangka kerja manajemen keamanan informasi, sementara pengelola teknis lebih fokus pada aspek teknologi. Penelitian ini diharapkan dapat membantu Pemerintah Daerah dalam merumuskan strategi investasi yang lebih efektif untuk meningkatkan keamanan informasi dan melindungi data sensitif di wilayah Pemerintah Provinsi Kalimantan Tengah.   Abstract Information security has become a primary focus for the Regional Government of Central Kalimantan Province, especially in facing increasingly complex cyber threats. Although there have been initiatives from the Central Government, such as the Information Security Index (KAMI) introduced by the National Cyber and Crypto Agency (BSSN), implementation at the regional level still faces various challenges. The main obstacles encountered are limited budgets, a shortage of qualified human resources, and a lack of awareness about the importance of information security. This study hypothesizes that by applying the Analytic Network Process (ANP) method, the Regional Government can more effectively prioritize investments in information security, thereby significantly minimizing cyber threat risks. The proposed solution is to use the ANP method to manage interrelated criteria and provide a comprehensive priority guide between technological, human resource, and policy aspects. Surveys were conducted with decision-makers and technical managers related to information security. The results of the study show that decision-makers prioritize the information security management framework, while technical managers focus more on technological aspects. This research is expected to assist the Regional Government in formulating more effective investment strategies to improve information security and protect sensitive data within the Central Kalimantan Provincial Government's jurisdiction.

Page 3 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