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 12 No 1: Februari 2025" : 25 Documents clear
Perbandingan Algoritma Stemming Porter, Sastrawi, Idris, Dan Arifin & Setiono Pada Dokumen Teks Bahasa Indonesia Pardede, Jasman; Darmawan, Dicky
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 1: Februari 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128860

Abstract

Information Retrieval (IR) memiliki fungsi untuk memisahkan dokumen-dokumen yang relevan dari sekumpulan dokumen yang ada. Terdapat sebuah proses penting pada IR, yaitu stemming. Stemming adalah proses untuk mengurangi kata-kata berimbuhan menjadi bentuk kata dasar. Pada beberapa penelitian sering menggunakan stemming yang berbeda-beda, bahkan ada penelitian yang telah mencoba membandingkan dua algoritma stemming. Sedangkan pada penelitian ini membandingkan empat algoritma stemming. Tujuan penelitian ini adalah untuk mengungkapkan pengaruh stemming pada IR menggunakan dokumen bahasa Indonesia. Algoritma stemming yang digunakan pada penelitian ini adalah Porter, Sastrawi, Idris, dan Arifin Setiono. Kinerja masing-masing algoritma stemming diukur berdasarkan nilai presisi dan kebutuhan waktu. Terdapat 120 dokumen berbahasa Indonesia yang digunakan untuk mengukur kinerja masing-masing algoritma. Berdasarkan hasil eksperimen diperoleh bahwa kinerja terbaik untuk presisi adalah stemming Sastrawi. Sedangkan kinerja terbaik dari segi kebutuhan waktu adalah stemming Arifin Setiono. Kinerja presisi masing-masing stemming Sastrawi, Arifin Setiono, Porter, dan Idris adalah 70.3%, 55.8%, 49.9%, dan 32.2%. Sedangkan kinerja kebutuhan waktu rata-rata masing-masing stemming Arifin Setiono, Sastrawi, Idris, dan Porter adalah sebesar 0,123 detik, 160.1 detik, 168.8 detik, dan 188.4 detik.   Abstract Information Retrieval (IR) has the function of separating relevant documents from a set of existing documents. An important process in IR is stemming. Stemming is the process of reducing affixed words into basic word forms. In several studies, different stemming is often used, and even studies have tried to compare two stemming algorithms. In this study, four stemming algorithms were compared. The purpose of this study was to reveal the effect of stemming on IR using Indonesian language documents. The stemming algorithms used in this study were Porter, Sastrawi, Idris, and Arifin Setiono. The performance of each stemming algorithm was measured based on the accuracy value and time requirements. There were 120 Indonesian language documents used to measure the performance of each algorithm. Based on the experimental results, it was obtained that the best performance for precision was the Sastrawi stemming. While the best performance in terms of time requirements was the Arifin Setiono stemming. The precision performance of each stemming of Sastrawi, Arifin Setiono, Porter, and Idris is 70.3%, 55.8%, 49.9%, and 32.2%. Meanwhile, the average time requirement performance of each stemming of Arifin Setiono, Sastrawi, Idris, and Porter is 0.123 sec, 160.1 sec, 168.8 sec, and 188.4 sec.
Penerapan Teachable Machine Dan Raspberry Pi Pada Sistem Klasifikasi Citra Untuk Inspeksi Cacat Kain Nugroho, Emmanuel Agung; Setiawan, Joga Dharma; M, Munadi; Rustiyanti, Alifa
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 1: Februari 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128932

Abstract

Industri tekstil memainkan peran krusial dalam ekonomi nasional, menghadapi tantangan signifikan dalam menjaga kualitas produk untuk memenuhi kepuasan konsumen. Cacat produksi, seperti cacat jarang dan cacat slap pada kain, merupakan salah satu faktor utama yang mempengaruhi kualitas produk tekstil. Penelitian ini bertujuan untuk mengembangkan sistem inspeksi cacat kain secara otomatis dengan menggunakan metode pemrosesan citra digital dan machine learning. Sistem ini dirancang untuk diintegrasikan pada mesin penggulungan kain sebagai sistem inspeksi awal sebelum kain didistribusikan. Metode yang digunakan meliputi supervised learning untuk klasifikasi citra kain, memanfaatkan perangkat lunak Google Teachable Machine dan algoritma Convolutional Neural Network (CNN) yang diimplementasikan dengan OpenCV. Perangkat keras yang digunakan terdiri dari kamera web Logitech D320 untuk akuisisi gambar dan Raspberry Pi-3B sebagai pengolah citra. Sistem ini diuji untuk mendeteksi tiga kategori kain: kain bagus, cacat jarang, dan cacat slap. Hasil pengujian menunjukkan bahwa sistem memiliki rata-rata waktu inferensi sebesar 142,47 ms dengan kecepatan rata-rata 6,46 frame per detik (FPS) dan akurasi klasifikasi mencapai 98,48%. Dengan implementasi sistem ini, diharapkan dapat meningkatkan efisiensi produksi, memperkuat kontrol kualitas di industri tekstil, mengurangi intervensi manual, dan menurunkan potensi kerugian akibat produk cacat.   Abstract The textile industry plays a crucial role in the national economy, facing significant challenges in maintaining product quality to meet consumer satisfaction. Production defects, such as rare defects and slap defects in fabrics, are key factors that affect the quality of textile products. This research aims to develop an automated fabric defect inspection system using digital image processing and machine learning methods. The system is designed to be integrated into fabric winding machines as an initial inspection system before the fabric is distributed. The methods used include supervised learning for fabric image classification, utilizing Google Teachable Machine software and the Convolutional Neural Network (CNN) algorithm implemented with OpenCV. The hardware used consists of a Logitech D320 webcam for image acquisition and a Raspberry Pi-3B as the image processor. The system was tested to detect three categories of fabric: good fabric, rare defects, and slap defects. The test results showed that the system achieved an average inference time of 142.47 ms with an average speed of 6.46 frames per second (FPS) and a classification accuracy of 98.48%. With the implementation of this system, it is expected to enhance production efficiency, strengthen quality control in the textile industry, reduce manual intervention, and decrease potential losses due to defective products.
Optimasi Model Extreme Gradient Boosting Dalam Upaya Penentuan Tingkat Risiko Pada Ibu Hamil Berbasis Bayesian Optimization (BOXGB) Kusuma, Edi Jaya; Nurmandhani, Ririn; Aryani, Lenci; Pantiawati, Ika; Shidik, Guruh Fajar
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 1: Februari 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025129001

Abstract

Kehamilan pada ibu hamil memiliki beragam risiko selama prosesnya seperti preeklampsia, diabetes dan hipertensi gestational. Seiring dengan perkembangan teknologi dan pemanfaatan data, implementasi machine learning dalam pengembangan early diagnosis system untuk tingkat risiko kehamilan telah banyak dilakukan. Namun kendala dalam penerapan machine learning adalah sulitnya menemukan konfigurasi parameter yang tepat agar model machine learning mampu memberikan akurasi prediksi yang mumpuni. Pada penelitian ini diusulkan metode optimasi berbasis Bayesian untuk mengoptimalisasikan hyper-parameter dari model Decision Tree (DT) dan Extreme Gradient Boosting (XGB). Kedua model teroptimasi tersebut dilatih dan diuji dengan menggunakan data risiko kehamilan yang diperoleh dari hasil pengukuran medis pada ibu hamil. Dari hasil evaluasi diketahui terdapat pengaruh jumlah iterasi pada Bayesian Optimization (BO). Implementasi BO pada model Decision Tree (BODT) menunjukkan adanya sedikit peningkatan nilai performa dibandingan dengan penelitian sebelumnya. Sementara itu, capaian performa tertinggi diperoleh oleh kombinasi model XGB dan Bayesian (BOXGB) dimana capaian nilai akurasi pada model BOXGB yaitu 87% diikuti dengan nilai rata-rata presisi, recall, dan F1-score masing-masing sebesar 88%, 87%, dan 88%. Secara keseluruhan implementasi Bayesian Optimization mampu memberikan setelan hyper-parameter yang dapat meningkatkan kemampuan model machine learning khususnya dalam memprediksi tingkat risiko kehamilan pada ibu hamil berdasarkan data pengukuran klinis.   Abstract During pregnancy process there are various risks such as preeclampsia, gestational diabetes and gestational hypertension. Along with the developments in technology as well as data science, the implementation of machine learning in early diagnosis system for pregnancy risk levels prediction has been widely carried out. However, there is a challenge in implementing machine learning, which is find the suitable yet effective parameter configuration in training machine learning model to provides better prediction accuracy. This research proposes a Bayesian-based Optimization (BO) method to tune up the hyper-parameters of Decision Tree (DT) and Extreme Gradient Boosting (XGB) models. These two optimized models were trained and tested using maternal risk dataset obtained from the clinical-based measurement on pregnant woman. From the evaluation result, it can be found that the number of iterations has high influence on the BO performance. The implementation of BO toward DT model has slight increase in performance result compared to the previous research. Meanwhile, the highest performance result achieved by the combination of BO and XGB (BOXGB) model where the proposed model reaches 87% of accuracy, followed by average value of precision, recall, and F1-score of 88%, 87%, and 88%, respectively. Overall, the implementation of BO is able to direct the hyper-parameter configuration which improves the machine learning performance especially in predicting maternal risk level based on clinical-based measurement data.
Penerapan Object Detection Menggunakan Deep Learning Yolov8 Untuk Mengidentifikasi Sampah Anorganik (Maksimal Sepuluh Objek) Dalam Satu Citra Visen; Charibaldi, Novrido
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 1: Februari 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025129012

Abstract

Masalah sampah di Indonesia masih menjadi momok yang belum teratasi, terutama karena tingginya pertumbuhan penduduk. Sampah anorganik menjadi perhatian utama karena sulit terurai dan mencemari lingkungan untuk waktu yang lama. Oleh karena itu, diperlukan sistem pendeteksi otomatis berbagai jenis sampah anorganik dalam berbagai kondisi, guna mengurangi dampak pencemaran dan memfasilitasi proses daur ulang yang lebih efisien. Penelitian ini menggunakan kecerdasan buatan (deep learning) dengan model YOLOv8 nano untuk mengenali beberapa jenis sampah anorganik. Data yang dipakai berasal dari kamera gawai dan gabungan dataset Kaggle, totalnya ada 2459 data untuk lima jenis sampah. Pembagian datanya 1967 untuk pelatihan, 246 untuk validasi, dan 246 untuk pengujian. Pengujian dilakukan pada gambar yang berisi 1 hingga 12 objek sampah dalam kondisi yang berbeda-beda. Hasilnya menunjukkan akurasi model yang tinggi, dengan nilai mAP50 mencapai 87.1% dan mAP50-95 sebesar 72.1%. Nilai presisi mencapai 86.2% dan recall mencapai 79.1% pada iterasi ke-50, menunjukkan kinerja model yang baik. Model ini juga handal dalam mendeteksi hingga sepuluh objek sampah dalam satu gambar. Namun, kemampuan deteksi menurun ketika objek sampah melebihi sepuluh. Artinya, model masih bisa mengenali objek meski jumlahnya banyak, tetapi akurasi klasifikasinya menurun.   Abstract The waste problem in Indonesia remains a persistent issue, especially due to the high population growth. Inorganic waste is a major concern because it is difficult to decompose and contaminates the environment for a long time. Therefore, an automatic detection system for various types of inorganic waste in different conditions is needed to reduce the impact of pollution and facilitate more efficient recycling processes. This study uses artificial intelligence (deep learning) with the YOLOv8 nano model to recognize several types of inorganic waste. The data used comes from mobile phone cameras and a combination of Kaggle datasets, totaling 2,459 data points for five types of waste. The data is divided into 1,967 for training, 246 for validation, and 246 for testing. The testing was conducted on images containing 1 to 12 waste objects in various conditions. The results show a high model accuracy, with an mAP50 value of 87.1% and mAP50-95 of 72.1%. The precision value reaches 86.2%, and the recall reaches 79.1% at the 50th iteration, indicating good model performance. This model is also reliable in detecting up to ten waste objects in a single image. However, the detection ability decreases when the number of waste objects exceeds ten. This means that the model can still recognize objects even when there are many, but its classification accuracy decreases.
Peningkatan Akurasi Sistem Pemantauan Suhu Dan Kelembapan Pada Laboratorium Pengujian Benih Tanaman Menggunakan Inversi Regresi Linier Akbar, Memen; Susantok, Mochamad; Wibowo, Agus Urip Ari; Rahul
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 1: Februari 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025129083

Abstract

Laboratorium uji benih memerlukan informasi suhu dan kelembapan ruang untuk menjaga kualitas proses pengujian benih. Saat ini, laboran mencatat parameter lingkungan dua kali sehari pada pukul 9.00 dan 14.00 dengan menggunakan alat ukur terkalibrasi. Namun, metode ini tidak mencakup data di luar jam kerja atau pada hari libur, sehingga tidak memenuhi persyaratan pencatatan kontinu yang diwajibkan oleh Komite Akreditasi Nasional (KAN). Penelitian ini bertujuan untuk mengembangkan sistem pemantauan kualitas udara berbasis IoT yang mampu mencatat suhu dan kelembapan secara kontinu tanpa keterbatasan waktu serta memastikan akurasi data dengan mekanisme kalibrasi menggunakan metode inversi regresi linier. Sistem ini menampilkan data langsung pada layar OLED, menyimpan data di media microSD, dan mengunggahnya ke lembar kerja daring untuk pemantauan dan analisis lebih lanjut. Hasil pengujian menunjukkan bahwa sistem memiliki tingkat akurasi pengukuran sebesar 98% untuk suhu dan 97% untuk kelembapan setelah menggunakan inversi regresi linier dengan menggunakan 15 data. Dengan demikian, sistem ini mampu menggantikan metode pencatatan manual yang terbatas dan memenuhi persyaratan pencatatan kontinu dari KAN.   Abstract Seed testing laboratories require temperature and humidity information to maintain the quality of seed testing processes. Currently, laboratory staff record environmental parameters twice daily at 9:00 AM and 2:00 PM using calibrated measuring instruments. However, this method does not cover data outside working hours or during holidays, thus failing to meet the continuous recording requirements mandated by the National Accreditation Committee (KAN). This study aims to develop an IoT-based air quality monitoring system capable of recording temperature and humidity continuously without time constraints while ensuring data accuracy through a calibration mechanism using the linear regression inversion method. The system displays real-time data on an OLED screen, stores data on a microSD card, and uploads it to an online spreadsheet for further monitoring and analysis. The test results show that the system achieves a measurement accuracy of 98% for temperature and 97% for humidity after applying the linear regression inversion method by using 15 data. Thus, the system can replace the limited manual recording method and meet the continuous recording requirements set by the KAN.
Analisis Perbandingan Teknik Word2vec dan Doc2vec dalam Mengukur Kemiripan Dokumen Menggunakan Cosine Similarity Iskandar, Dede; Kurniawati, Ana
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 1: Februari 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025129143

Abstract

Tempatkan Era digital memudahkan akses dokumen online dalam jumlah besar menjadi lebih mudah dan cepat, namun juga menimbulkan tantangan kompleks dalam pengelolaan dan analisis informasi. Salah satu tantangan utama adalah mengukur kemiripan antar dokumen, yang penting untuk berbagai aplikasi seperti deteksi plagiarisme. Menanggapi tantangan ini, banyak teknik yang dapat digunakan dalam merepresentasikan dokumen menjadi vektor untuk mengukur kemiripan dokumen.  Dalam penelitian ini teknik Word2vec dan Doc2vec digunakan untuk merepresentasikan dokumen menjadi vektor, dan dalam mengukur kemiripan dokumen menggunakan metode Cosine Similarity. Objek penelitian dilakukan pada paragraf abstrak dari 20 jurnal ilmiah dengan tema data mining yang diterbitkan antara tahun 2020 hingga 2024 dari E-Journal Universitas Gunadarma. Metodologi penelitian meliputi pengumpulan data, text mining, pra-pemrosesan teks, implementasi teknik Word2vec dan Doc2vec, serta pengukuran Cosine Similarity. Hasil penelitian menunjukkan bahwa teknik Word2vec menghasilkan nilai Cosine Similarity yang lebih tinggi dibandingkan dengan Doc2vec untuk pasangan jurnal yang sama, dapat dilihat pada pasangan jurnal J02 dengan J14 memiliki nilai Cosine Similarity 0.892 pada teknik Word2vec, sedangkan pada Doc2vec nilainya 0.434. Hal ini menandakan bahwa hasil teknik Word2vec terbukti lebih efektif dalam menangkap kemiripan semantik antara jurnal-jurnal dibandingkan dengan teknik Doc2vec.   Abstract The digital era has made access to many online documents easier and faster, but it has also created complex challenges in information management and analysis. One of the main challenges is measuring the similarity between documents, which is crucial for various applications such as plagiarism detection. In response to this challenge, many techniques can be used to represent documents as vectors to measure document similarity. In this research, Word2vec and Doc2vec techniques are used to represent documents as vectors, and Cosine Similarity is used to measure document similarity. The research objects are abstract paragraphs from 20 scientific journals on data mining published between 2020 and 2024 from Gunadarma University's E-Journal. The research methodology includes data collection, text mining, text pre-processing, Word2vec and Doc2vec techniques implementations, and Cosine Similarity measurement. The results show that the Word2vec technique produces higher Cosine Similarity values compared to Doc2vec for the same journal pairs, as seen in the journal pair J02 and J14 having a Cosine Similarity value of 0.892 using the Word2vec technique, while with Doc2vec the value is 0.434. This indicates that the Word2vec technique proves to be more effective in capturing semantic similarities between journals compared to the Doc2vec technique.
Analisis Pengolahan Ekstraksi Fitur Citra Untuk Klasifikasi Jenis Apel Menggunakan Scikit-Learn Dengan Algoritma K-Nearest Neighbor Wariyanto Abdullah, Robi; Kusumastuti , Rajnaparamitha; Handoko
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 1: Februari 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025129149

Abstract

Jenis Apel di Indonesia makin beragam seiring dengan perkembangan teknologi dibidang perkebunan.apel yang berkembang pesat. Penggunaan teknologi pengolahan citra dan pembelajaran mesin telah membuka peluang baru dalam mengatasi tantangan klasifikasi objek berbasis citra, termasuk dalam mengidentifikasi jenis buah apel.Penggunaan metode K-Nearest Neighbor sudah banyak terbukti dalam klasifikasi berbagai jenis data termasuk citra. Penelitian yang akan dilakukan akan mencoba melakukan analisa dan mengklasifikasikan jenis apel dengan membaca extrasi fitur citra menggunakan library scikit-learn dalam bahasa pemrograman Python dengan pendekatan algoritma K-Nearest Neighbor. Dataset yang akan diteli dalam klasifikasi digunakan 7 jenis apel yaitu Apple Braeburn, Apple Crimson Snow, Apple Golden, Apple Granny Smith, Apple Red , Apple Red Delicious, Apple Red Yellow. Dataset training yang digunakan dalam penelitian sebanyak 16404 citra, sedangkan data testing sebanyak 2134 citra apel.  Proses klasifikasi dilakukan dengan membandingkan extrasi fitur dari apel yang belum diketahui varietasnya dengan fitur-fitur dari apel yang telah diklasifikasikan sebelumnya.extrasi fiture yang akan dilakukan yaitu akan membandingkandan dari hasil extrasi fiture HVS, histogram dan RGB yang dipilih dengan nilai k genap. Hasil penelitian yang dilakukan menghasilkan akurasi tertinggi sebesar 96,9 %, dengan nilai k=2 dan kriteria perhitungan jarak menggunakan extraksi fitur menggunakan RGB,HSV dan histogram. Penelitian ini diharapkan mampu memberikan potensi penggunaan teknik pengolahan citra dalam mendukung identifikasi jenis apel secara otomatis, yang relevan dalam industri pertanian dan pengolahan makanan. Penelitian selanjutnya diharapkan dapat dilakukan dengan membandingkan metode algoritma untuk klasifikasi yang lain serta memberikan dataset image dengan pencahayaan yang berbeda dengan menambah beberapa jenis apel  dan kombinasi parameter yang lebih banyak lagi agar dapat meningkatkan output hasil penelitian yang sudah dilakukan.   Abstract Apple types in Indonesia are increasingly diverse along with the rapid development of technology in the field of apple plantations. The use of image processing and machine learning technology has opened up new opportunities in overcoming the challenges of image-based object classification, including in identifying apple types. The use of the K-Nearest Neighbor method has been widely proven in the classification of various types of data including images. The research that will be conducted will try to analyze and classify apple types by reading image feature extraction using the scikit-learn library in the Python programming language with the K-Nearest Neighbor algorithm approach. The dataset that will be studied in the classification uses 7 types of apples, namely Apple Braeburn, Apple Crimson Snow, Apple Golden, Apple Granny Smith, Apple Red, Apple Red Delicious, Apple Red Yellow. The training dataset used in the study was 16404 images, while the testing data was 2134 apple images. The classification process is carried out by comparing feature extraction from apples whose varieties are unknown with features from apples that have been previously classified. The feature extraction that will be carried out is to compare and from the results of the HVS, histogram and RGB feature extraction selected with an even k value. The results of the research conducted produced the highest accuracy of 96.9%, with a value of k = 2 and the distance calculation criteria using feature extraction using RGB, HSV and histograms. This research is expected to provide the potential for using image processing techniques to support automatic identification of apple types, which are relevant in the agricultural and food processing industries. Further research is expected to be carried out by comparing algorithm methods for other classifications and providing image datasets with different lighting by adding several types of apples and more parameter combinations in order to increase the output of the research results that have been carried out.
LSTM-IOT (LSTM-based IoT) untuk Mengatasi Kehilangan Data Akibat Kegagalan Koneksi Susetyo, Yosia Adi; Parhusip, Hanna Arini; Trihandaru, Suryasatriya; Susanto, Bambang
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 1: Februari 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025129157

Abstract

Masalah dalam industri terkait kehilangan data suhu dan kelembaban sering terjadi akibat gangguan perangkat atau hilangnya koneksi. Data ini penting untuk menentukan kelayakan produk yang akan didistribusikan. Untuk mengatasi permasalahan tersebut, dikembangkan inovasi LSTM-IOT, yaitu perangkat IoT yang terintegrasi dengan model Long Short-Term Memory (LSTM) dalam arsitektur Environment Intelligence. Arsitektur ini telah dioptimalkan melalui eksperimen menggunakan berbagai jenis optimizer, seperti Adam, RMSprop, AdaGrad, SGD, Nadam, dan Adadelta. Dari hasil optimasi, kombinasi Nadam Optimizer dengan arsitektur terpilih menunjukkan kinerja unggul dengan nilai Mean Square Error (MSE) sebesar 5,844 x10⁻⁵, Mean Absolute Error (MAE) sebesar 0,005971, dan Root Mean Square Error (RMSE) sebesar 0, 007645. Arsitektur Environment Intelligence versi (a) dengan Nadam Optimizer terbukti paling efektif dalam memproses data sensor, sehingga dipilih untuk integrasi dengan perangkat LSTM-IOT. Implementasi LSTM-IOT dalam skenario dunia nyata dilakukan pada wadah web lokal yang memungkinkan akses real-time ke data suhu dan kelembaban di berbagai lokasi. Halaman web berbasis Streamlit ini menampilkan visualisasi data, performa LSTM, dan hasil prediksi. Uji fungsional menunjukkan bahwa LSTM-IOT memenuhi kebutuhan perusahaan, termasuk penyimpanan data dalam database internal serta prediksi kondisi lingkungan hingga 150 menit ke depan. Dengan fitur prediksi dan pemantauan yang canggih, perangkat ini memberikan solusi efisien dan bernilai tinggi bagi perusahaan dalam memantau kondisi lingkungan secara akurat dan proaktif.   Abstract Problems in the industry related to temperature and humidity data loss are often caused by device interference or loss of connection. This data is important to determine the feasibility of the product to be distributed. To overcome these problems, an LSTM-IOT innovation was developed, namely an IoT device that is integrated with the Long Short-Term Memory (LSTM) model in the Environment Intelligence architecture. This architecture has been optimized through experiments using different types of optimizers, such as Adam, RMSprop, AdaGrad, SGD, Nadam, and Adadelta. From the optimization results, the combination of Nadam Optimizer with the selected architecture shows superior performance with a mean square error (MSE) value of 5.844 x 10⁻⁵, a mean absolute error (MAE) of 0.005971, and a root mean square error (RMSE) of 0.007645. The Environment Intelligence architecture version (a) with Nadam Optimizer proved to be the most effective in processing sensor data, so it was chosen for integration with LSTM-IOT devices. The implementation of LSTM-IOT in real-world scenarios is carried out on a local web container that allows real-time access to temperature and humidity data in various locations. This Streamlit-based webpage displays data visualizations, LSTM performance, and prediction results. Functional tests show that LSTM-IOT meets the needs of the company, including data storage in an internal database and prediction of environmental conditions for up to the next 150 minutes. With advanced prediction and monitoring features, these devices provide efficient and high-value solutions for companies to monitor environmental conditions accurately and proactively.
Sistem Monitoring Budidaya Melon Melalui Greenhouse Berbasis Internet Of Things Apriyani, Meyti Eka; Ismail, Ade; Widya Andini, Amelia
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 1: Februari 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025129164

Abstract

Pertanian melon merupakan usaha yang menjanjikan namun rentan terhadap perubahan cuaca dan tantangan pengelolaan, seperti kebutuhan air yang tinggi serta risiko serangan hama dan penyakit. Penggunaan greenhouse dapat membantu petani memanipulasi kondisi lingkungan guna mengurangi risiko penyakit yang disebabkan oleh perubahan cuaca. Penelitian ini bertujuan mengembangkan sistem pintar pada greenhouse untuk memantau dan mengontrol perawatan tanaman melon secara efektif dan efisien. Sistem ini memanfaatkan alat seperti pompa air dan lampu, yang dioperasikan berdasarkan data sensor yang diperbarui setiap 10 detik, dengan keputusan pengambilan tindakan dilakukan setiap 1 menit. Keputusan sistem tidak hanya bergantung pada data sensor, tetapi juga mempertimbangkan faktor waktu, karena tanaman tidak selalu membutuhkan penyiraman atau pencahayaan setiap saat. Sensor kelembapan tanah kapasitif ditempatkan pada polibag tanaman di tengah barisan untuk pemantauan yang akurat. Hasil pengujian menunjukkan bahwa sistem otomatis menghasilkan pertumbuhan dan berat buah melon yang lebih baik dibandingkan dengan sistem manual, dengan rata-rata berat melon 2,1 kg pada sistem otomatis, sementara pada sistem manual hanya 1,6 kg. Penerapan Smart Greenhouse ini terbukti mengurangi biaya perawatan dan meningkatkan produksi, menawarkan solusi efektif dalam pertanian modern.   Abstract Melon farming is a promising business but is vulnerable to weather changes and management challenges, such as high water requirements and the risk of pests and diseases. The use of greenhouses can help farmers manipulate environmental conditions to reduce the risk of diseases caused by weather changes. This study aims to develop a smart system in a greenhouse to monitor and control melon plant care effectively and efficiently. This system utilizes tools such as water pumps and lights, which are operated based on sensor data that is updated every 10 seconds, with decisions to take action every 1 minute. System decisions do not only depend on sensor data, but also consider time factors, because plants do not always need watering or lighting at all times. Capacitive soil moisture sensors are placed on plant polybags in the middle of the rows for accurate monitoring. The test results showed that the automatic system produced better melon growth and fruit weight compared to the manual system, with an average melon weight of 2.1 kg in the automatic system, while in the manual system it was only 1.6 kg. The implementation of Smart Greenhouse has been proven to reduce maintenance costs and increase production, offering an effective solution in modern agriculture.
Pengukuran Kualitas Data Menggunakan Framework Total Data Quality Management: Studi Kasus Kementerian Hukum Dan Hak Asasi Manusia Rutan Klas I Jakarta Pusat Cahyaningsih, Elin; Rinjatmoko, Alip; Sari, Wina Permana
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 1: Februari 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025129178

Abstract

Data adalah intangible aset dalam organisasi, pengambilan keputusan dan rekomendasi kebijakan yang baik berdasarkan data yang berkualitas. Tata kelola pemerintahan dapat diwujudkan dengan menerapkan pengelolaan data pemerintah berdasarkan prinsip satu data Indonesia, sehingga penyelenggaraan pemerintahan dilakukan dengan berbasis data. Penyelenggaraan layanan data terbuka meningkatkan kepercayaan masyarakat akan kinerja pemerintah. Layanan tersebut juga dimanfaatkan bagi pemangku kepentingan dan pengambil kebijakan. Pemutakiran data mandiri Aparatur Sipil Negara bertujuan untuk meningkatkan kualitas data ASN sehingga dapat menciptakan data-driven untuk rekomendasi kebijakan pemerintah yang berkelanjutan. Peneltian ini menggunakan metode campuran (mixed method) yaitu dengan mengkombinasikan pendekatan kuantatif dan kualitatif. Pengumpulan data dilakukan dengan menggunakan metode purposive sampling dan snowball dan menggunakan teknik analisis triangulasi. Pendekatan Total Data Quality Management (TDQM) digunakan dalam penelitian ini, metode tersebut bertujuan untuk mengukur kualitas data ASN pada SIMPEG Kementerian Hukum dan Hak Asasi Manusia di Rumah Tahanan KlA I Jakarta Pusat. Dalam framework ini terdapat empat tahapan yaitu definition, measurement, analysis dan improvement dari kualitas data yang terdiri dari empat dimensi pengukuran yaitu dimensi kelengkapan, akurasi, validitas, dan keunikan. Berdasarkan hasil penelitian pada dimensi kelengkapan terdapat dua entitas yang tidak lengkap yaitu kode pos dan nomor seri karpeg, dari dimensi validitas terdapat satu entitas yang tidak valid yaitu nomor dokumen, pada dimensi akurasi terdapat lima entitas yang tidak akurat yaitu nomor dokumen, Alamat, kode pos, nomor handphone dan nomor seri karpeg dan dimensi keunikan telah memenuhi syarat keunikan data.   Abstract An organization's data is an intangible asset that helps with decision-making and policy recommendations. Implementing government data management according to the one Indonesian data principle can help achieve governance by ensuring that government administration is conducted using data. The public is more confident in government performance when open data services are implemented. The service is also utilized by policymakers and stakeholders. The State Civil Apparatus's independent data update seeks to enhance the quality of ASN data in order to produce data-driven recommendations for long-term government policy. The methodology used in this study is heterogeneous, integrating quantitative and qualitative techniques. Purposive sampling, snowball approaches, and triangulation analytic techniques were used to acquire the data. This study employs the Total Data Quality Management (TDQM) technique, which measures the quality of ASN data at the Ministry of Law and Human Rights' SIMPEG in the KlA I Detention Centre in Central Jakarta. Definition, measurement, analysis, and enhancement of data quality—which includes four measurement dimensions: completeness, accuracy, validity, and uniqueness—are the four phases in this approach. According to research findings, there are two incomplete entities in the completeness dimension—the postal code and the employee card serial number—one invalid entity in the validity dimension—the document number—five inaccurate entities in the accuracy dimension—the document number, address, postal code, mobile phone number, and employee card serial number—and the uniqueness dimension satisfies the requirements for data uniqueness.

Page 2 of 3 | Total Record : 25

 1   2   3 

Filter by Year

2025 2025


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