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 3: Juni 2025" : 25 Documents clear
Perbandingan Kinerja Arsitektur Convolutional Neural Network Pada Deteksi Malaria Menggunakan Citra Sel Darah Setiawan, Agung Wahyu
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 3: Juni 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128085

Abstract

Malaria masih menjadi salah satu penyebab kematian tertinggi di dunia, terutama di daerah yang berstatus endemi. Standar emas penegakan diagnosis malaria adalah berbasis citra apusan atau sel darah yang diperoleh dengan menggunakan mikroskop. Kendala utama dalam penegakan diagnosis ini adalah kurangnya tenaga ahli untuk melakukan asesmen citra sel darah. Oleh karena itu, dilakukan diagnosis malaria berbasis citra sel darah menggunakan Artificial Intelligent (AI) / kecerdasan buatan. Deteksi malaria berbasis AI yang dilakukan pada studi-studi sebelumnya telah menghasilkan kinerja yang sudah baik. Namun, kinerja deteksi ini masih dapat ditingkatkan. Studi ini menggunakan 27.558 citra sel darah yang terdiri dari 13.779 sel darah terinfeksi dan 13.779 tidak terinfeksi. Citra-citra sel darah ini dibagi menjadi tiga kelompok, yaitu pelatihan (80%); validasi (10%); dan pengujian (10%). Pada studi ini, digunakan ResNet50; ResNet101; ResNet152; ResNet50V2; ResNet101V2; ResNet152V2; DenseNet121; DenseNet169; DenseNet201; InceptionV3; InceptionResNetV2; VGG16; VGG19; dan MobileNetV2. Tujuan utama dari studi ini adalah mencari arsitektur CNN yang memiliki kinerja terbaik dalam deteksi malaria berbasis citra sel darah. Perbandingan kinerja diases dengan menggunakan nilai akurasi, sensitivitas, spesifisitas, skor F1, dan Area Under the Curve (AUC). Arsitektur MobileNetV2 memberikan kinerja paling baik dengan nilai rata-rata pelatihan, validasi, dan pengujian tertinggi. Nilai rata-rata akurasi mencapai 97,68%; spesifisitas 98,61%; sensitivitas 96,75%; Skor F1 97,70%; dan AUC sebesar 99,65%. Selain itu, waktu pembuatan model arsitektur MobileNetV2 hanya sekitar 2,5 jam. Selain itu, jumlah lapisan convolutional tidak memengaruhi kinerja deteksi malaria. Dengan lapisan convolutional berjumlah 53, MobileNetV2 berkinerja lebih baik dibandingkan dengan arsitektur-arsitektur lain dengan jumlah lapisan convolutional lebih banyak.   Abstract Malaria is still one of the highest causes of death in the world, especially in the endemic areas. The gold standard for diagnosing malaria is based on smears blood smears or cells image which is obtained using a microscope. The main challenge in detecting malaria is the lack of experts to assess the blood smears. Therefore, the detection is carried out using Artificial Intelligence (AI). Previous studies that used AI to detect malaria have a good performance. However, the detection performance can still be improved. Furthermore, previous studies only used one or two or three performance metrics. This study used 27,558 blood cell images consisting of 13,779 infected and 13,779 uninfected blood cells. These blood cell images are divided into three groups, i.e. training (80%); validation (10%); and testing (10%). In this study, several CNN architectures are used, such as ResNet50; ResNet101; ResNet152; ResNet50V2; ResNet101V2; ResNet152V; DenseNet121; DenseNet169; DenseNet201; InceptionV3; InceptionResNetV2; VGG16: VGG19: and MobileNetV2. The main objective of this study is to find the CNN architecture that has the best performance in blood cell image-based malaria detection. Comparison of performance of CNN architectures are assessed using accuracy, sensitivity, specificity, F1 score, and Area Under the Curve (AUC) values. The MobileNetV2 architecture provides the best performance with the highest average values of training, validation, and testing. The average accuracy value of 97.68%; specificity of 98.61%; sensitivity of 96,75%; F1 Score of 97.70%; and AUC of 0.9965. In addition, the time to build the MobileNetV2 model is about 2.5 hours, the fastest one. This study shows that the number of convolutional layers does not affect malaria detection performance. With 53 convolutional layers, MobileNetV2 has the best performance.  
Pemodelan Pengaruh E-Learning Pada Performa Akademik Mahasiswa Dengan Technology Acceptance Model Dan Analisis Structural Equation Modelling Daniawan, Benny; Wijono, Sutarto; Manongga, Danny; Sembiring, Irwan; Krismiyati, Krismiyati; Wellem, Theophilus
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 3: Juni 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128229

Abstract

E-learning telah menjadi alat yang penting dalam pendidikan tinggi, memungkinkan perguruan tinggi untuk menyediakan aksesibilitas dan fleksibilitas dalam pengajaran dan pembelajaran. Salah satu platform e-learning yang populer adalah Moodle yang digunakan oleh banyak universitas di indonesia. Namun, penggunaan Moodle di universitas belum banyak diteliti secara mendalam, terutama dalam konteks pengaruh e-learning terhadap indeks prestasi akademik. Oleh karena itu, penelitian ini bertujuan untuk melakukan pengujian e-learning Moodle di lingkungan Universitas Buddhi Dharma yang berlokasi di Tangerang dengan metode Technology Acceptance Model (TAM) menggunakan lima variabel Perceive Usefulness (PU), Perceive Ease of Use (PEOU), Attention Towards Using (ATU), Behaviour Intention to Use (BITU), dan Actual System Using (ASU) ditambah dengan dua variabel lain yaitu Level of Confidence (LC) dan Academic Performance (AP). Seluruh variabel dianalisis menggunakan Structural Equation Modelling (SEM). Hasilnya menunjukkan bahwa persepsi kemudahan penggunaan (PEOU), dan persepsi kebermanfaatan (PU) memiliki pengaruh positif secara signifikan terhadap sikap (ATT) dan niat perilaku pengguna (BITU) serta aktual penggunaan sistem (ASU) dalam Moodle sebagai platform e-learning dengan nilai t-statistik yang melebihi nilai t-tabel dan p-value. Namun dalam hal ini penerimaan teknologi e-learning yang baik tidak mempengaruhi tingkat kepercayaan diri (LC) dan performa akademik pengguna (AP) secara aktual.   Abstract E-learning has become an essential tool in higher education, enabling universities to provide accessibility and flexibility in teaching and learning. One of the popular e-learning platforms is Moodle, which many universities in Indonesia use. However, the use of Moodle at universities has yet to be studied in depth, especially in the context of the influence of e-learning on the academic performance index. Therefore, this research aims to test Moodle e-learning in the Buddhi Dharma University environment located in Tangerang using the Technology Acceptance Model (TAM) method using the five variables Perceive Usefulness (PU), Perceive Ease of Use (PEOU), Attention Towards Using (ATU), Behavioral Intention to Use (BITU), and Actual System Using (ASU) plus two other variables, namely Level of Confidence (LC) and Academic Performance (AP). All variables were analyzed using Structural Equation Modeling (SEM). The results show that perceived ease of use (PEOU) and perceived usefulness (PU) have a significant positive influence on attitudes (ATT) and user behavioral intentions (BITU) as well as actual system use (ASU) in Moodle as an e-learning platform with a value of t -statistics that exceed the t-table value and p-value. However, in this case, a good acceptance of e-learning technology does not affect the Confidence Level (LC) and user Academic Performance (AP).
Perbandingan Metode Jaringan Saraf Tiruan, Fuzzy, Dan Anfis Pada Peramalan Data Inflasi Indonesia Lusia, Dwi Ayu; Semathea, Karen; Sumarminingsih, Eni; Efendi, Achmad
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 3: Juni 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128613

Abstract

Peramalan adalah teknik penting untuk mengestimasi nilai masa depan berdasarkan data historis. Namun, metode peramalan sering menghadapi tantangan dalam memilih model dengan tingkat akurasi terbaik. Penelitian ini bertujuan membandingkan kinerja metode Jaringan Syaraf Tiruan (JST) dan Fuzzy Metode Sugeno serta gabungan kedua metode yang disebut Adaptive Neuro Fuzzy Inference System (ANFIS). Ketiga metode digunakan untuk meramalkan inflasi bulanan Indonesia. Penerapan ketiga metode membutuhkan penentuan input yang berdasarkan stasioner dan PACF. Data tidak stasioner lag 2 sehingga Differencing lag 2 kemudian tidak ada lag yang keluar pada PACF. Berdasarkan kedua hal tersebut ditentukan inputnya ialah  dan . Hasil menunjukkan bahwa metode JST dengan 3 lapisan tersembunyi dengan banyak neuron (2,1,1) memberikan kinerja terbaik (nilai RMSE terkecil sebesar 1,16127 pada data testing). Metode terbaik tersebut digunakan untuk meramalkan Inflasi bulan September 2023 hingga Desember 2024 cenderung konstan antara 2,68879% hingga 2,68887%. Kontribusi riset ini adalah metode advance (ANFIS) dengan menggabungankan dua metode (JST dan Fuzzy) belum tentu lebih baik daripada metode tanpa penggabungan (JST atau Fuzzy).   Abstract Forecasting is an important technique for estimating future values ​​based on historical data. However, forecasting methods often face challenges in choosing a model with the best level of accuracy. This study aims to compare the performance of the Artificial Neural Network (ANN) and Fuzzy Sugeno Method methods and a combination of the two methods called the Adaptive Neuro Fuzzy Inference System (ANFIS). The third method is used to predict Indonesia's monthly inflation. The application of the third method requires input determination based on stationary and PACF. The data is not stationary lag 2 so that Differencing lag 2 then there is no lag that comes out in PACF. Based on these two things, the input is determined to be Y_(t-1) and Y_(t-2). The results show that the ANN method with 3 hidden layers with many neurons (2,1,1) gives the best performance (the smallest RMSE value is 1.16127 on the test data). The best method used to predict inflation from September 2023 to December 2024 tends to be constant between 2.68879% to 2.68887%. The contribution of this research is that the advanced method (ANFIS) by combining two methods (ANN and Fuzzy) is not necessarily better than the method without combining (ANN or Fuzzy).
Analisis Model Jalur Longitudinal Berbasis Glmm Pada Kasus Pasien Penderita Tuberkulosis Paru: Studi Simulasi Fernandes, Adji; Rahmanda, Lalu Ramzy; Solimun
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 3: Juni 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128415

Abstract

Evaluasi dan monitoring pada pasien penderita tuberkulosis paru membutuhkan pengobatan yang tepat. Dalam beberapa tahun terakhir, pada tahap monitoring telah ditemukan penanda biologis yang disebut suPAR (soluble urokinase plasminogen activator receptor) berpotensi sebagai biomarker untuk mendiagnosis, prognosis, dan evaluasi penyakit paru. Penelitian ini bertujuan untuk menyelidiki faktor-faktor yang berhubungan dengan pasien tuberkulosis paru dan menentukan faktor yang paling signifikan berdasarkan waktu pengamatan, indeks massa tubuh, dan laju endapan darah. Sampel sebanyak 60 pasien tuberkulosis paru di Malang dievaluasi secara longitudinal setiap dua minggu sekali selama 13 periode. Dalam penelitian ini, kami menggunakan analisis jalur dengan generalized linear mixed model (GLMM) dengan metode Weighted Least Square (WLS) untuk menyelidiki hubungan antarvariabel terhadap kadar monosit dan kadar suPAR pada pasien tuberkulosis paru. dan membandingkan hasilnya dengan Ordinary Least Square (OLS). Hasil penelitian menunjukkan bahwa model terbaik adalah GLMM dengan struktur kovarian unstructured dengan AIC terkecil dan R2 terbesar. Selain itu, indeks massa tubuh memiliki pengaruh yang paling signifikan terhadap kadar monosit dan suPAR pada pasien TB paru. Oleh karena itu, sangat penting untuk mempertimbangkan indeks massa tubuh pasien dalam evaluasi dan monitoring pasien tuberkulosis paru.   Abstract Evaluating and monitoring patients with pulmonary tuberculosis needs an appropriate treatment. In recent years, a biological marker called suPAR (soluble urokinase plasminogen activator receptor) has been identified in the monitoring stage and has the potential as a biomarker for diagnosing, prognosing, and monitoring disease. This study aims to investigate the factors associated with patients with pulmonary tuberculosis and determine the most significant factor based on observation time, BMI, and ESR. A total of 60 patients diagnosed with pulmonary tuberculosis in Malang were included and evaluated longitudinally every two weeks over 13 periods. In this study, we use path analysis with the generalized linear mixed model (GLMM) using the Weighted Least Square (WLS) method to investigate the relationship between the variables on monocyte and suPAR levels in pulmonary tuberculosis patients and compare the results those obtained using the Ordinary Least Square (OLS) method. The results demonstrate that the optimal model is the GLMM with an unstructured covariance structure, exhibiting the smallest AIC and the largest R2. Additionally, body mass index exerts the most significant effect on monocyte and suPAR levels in patients with pulmonary tuberculosis. Consequently, considering patient’s BMI when evaluating and monitoring patients with pulmonary tuberculosis is imperative.
Pengoptimalan Gerakan Lengan Prostetik Bionik Menggunakan Decision Based Velocity Ramp Gabriel Hizkia Marhata Simbolon; Widasari, Edita Rosana
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 3: Juni 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128535

Abstract

Di seluruh dunia, terdapat 57,7 juta individu yang kehilangan lengan mereka dan menghadapi hambatan dalam melakukan tugas sehari-hari. Saat ini, lengan prostetik bionik telah dikembangkan salah satunya yaitu "Sistem Pengenalan Pergerakan Prostetik Tangan Bionik Bawah Siku Menggunakan Metode K-Nearest Neighbor berbasis sinyal Electromyography" (Adani, M. S., Widasari, E.R., 2023). Namun, penelitian tersebut memiliki beberapa keterbatasan dalam kecepatan dan posisi sudut servo. Untuk mengatasi masalah ini, penelitian ini mengusulkan penggunaan Decision Based Velocity Ramp (DBVR) sebagai metode post-processing untuk memperbaiki kecepatan servo dalam mencapai posisi target dan meningkatkan presisi sudut posisi target servo. Hasil menunjukkan bahwa pembacaan sensor Myoware memiliki tingkat akurasi yang sangat tinggi hingga 100%, dengan nilai minimum 0.18V dan maksimum 2.84V untuk seluruh gerakan lengan prostetik bionik. Kemudian, kecepatan servo meningkat secara signifikan sebesar 74.16%. Servo dengan menggunakan DBVR berhasil mencapai posisi sudut target dengan tingkat keberhasilan rata-rata 92%, dimana lebih baik 16% dibandingkan dengan servo tanpa penerapan DBVR. Oleh karena itu, penggunaan DBVR telah terbukti efektif dalam meningkatkan kecepatan dan akurasi servo dalam mencapai posisi sudut target pada seluruh gerakan lengan prostetik bionik, meliputi gerakan buka, gerakan genggam, gerakan sip, gerakan ok-tengah, gerakan cool, gerakan spiderman, gerakan pistol dan gerakan tengah.   Abstract Globally, there are 57.7 million individuals who have lost their arms and face challenges in performing daily tasks. Currently, bionic prosthetic arms have been developed, one of which is the "Recognition System for Bionic Forearm Prosthetic Hand Movements Using K-Nearest Neighbor Method Based on Electromyography Signal" (Adani, M. S., Widasari, E.R., 2023). However, this research has some limitations in terms of speed and servo angle positions. To address this issue, this study proposes the use of Decision Based Velocity Ramp (DBVR) as a post-processing method to improve the servo speed in reaching target positions and enhance the precision of target servo angle positions. The results indicate that Myoware sensor readings have a very high accuracy level, up to 100%, with a minimum value of 0.18V and a maximum of 2.84V for all bionic prosthetic arm movements. Furthermore, the servo speed increased significantly by 74.16%. Servo, when using DBVR, successfully reached the target angle positions with an average success rate of 92%, which is 16% better compared to servo without the implementation of DBVR. Therefore, the use of DBVR has proven to be effective in improving the speed and accuracy of the servo in reaching target angle positions for all bionic prosthetic arm movements, including open movement, grip movement, sip movement, ok-middle movement, cool movement, spiderman movement, pistol movement, and middle movement.
Perbandingan Performa Arimax-Garch Dan Lstm Pada Data Harga Penutupan Saham PT Aneka Tambang Tbk (ANTM.JK) Suwarso, Dhiya Khalishah Tsany; Rizki, Akbar; Rahmi, Salsabila Dwi; Mahesa, Hakim Zoelva; Gunawan, Windi; Fitri, Zafira Ilma; Angraini, Yenni; Putri, Adelia; Nurhambali, Muhammad Rizky
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 3: Juni 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128756

Abstract

Banyaknya data deret waktu dengan pola nonlinear dan memiliki volatilitas tinggi pada berbagai sektor membuat sulit untuk melakukan pemodelan klasik seperti Autoregressive Integrated Moving Average (ARIMA). Permasalahan ini dapat diatasi salah satunya dengan mengembangkan metode Autoregressive Integrated Moving Average with Exogenous- Generalized Autoregressive Conditional Heteroskedasticity (ARIMAX-GARCH) yang memanfaatkan kovariat eksternal, sehingga memberikan solusi lebih baik pada data yang tidak stasioner. Di sisi lain, metode deep learning seperti Long Short-Term Memory (LSTM) unggul dalam menangkap pola non-linear dan dependensi jangka panjang. Oleh karena itu, penelitian ini membandingkan performa ARIMAX-GARCH dan LSTM dalam memprediksi harga saham PT Aneka Tambang Tbk (ANTM.JK). Data mingguan penutupan harga saham ANTM.JK periode 1 Januari 2018 hingga 30 Oktober 2023 digunakan dalam penelitian ini. Pemodelan ARIMAX-GARCH dengan peubah kovariat berupa data harga nikel berjangka dunia digunakan karena terdapat pengaruh signifikan harga nikel terhadap harga penutupan saham ANTM.JK dan terdeteksi adanya heteroskedastisitas dalam model. Metode berbasis machine learning, LSTM digunakan karena metode ini dikenal memiliki akurasi prediksi yang baik. Pengolahan data dilakukan menggunakan bantuan software R-Studio dan Python. Hasil penelitian menunjukkan LSTM memiliki performa yang lebih baik dengan nilai MAPE sebesar 4,425%, nilai ini lebih kecil jika dibandingkan model terbaik ARIMAX(2,1,2)-GARCH(1,1) dengan MAPE 7,326%.   Abstract The large number of time series data with nonlinear patterns and high volatility in various sectors makes it difficult to perform classical modeling such as Autoregressive Integrated Moving Average (ARIMA). This problem can be overcome by developing the ARIMA with Exogenous- Generalized Autoregressive Conditional Heteroskedasticity (ARIMAX-GARCH) that utilizes external covariates, thus providing a better solution to non-stationary data. On the other hand, deep learning methods such as Long Short-Term Memory (LSTM) excel in capturing non-linear patterns and long-term dependencies. Therefore, this study compares the performance of ARIMAX-GARCH and LSTM in predicting the stock price of PT Aneka Tambang Tbk (ANTM.JK). Weekly closing data of ANTM.JK stock price from January 1, 2018 to October 30, 2023 are used in this study. ARIMAX-GARCH modeling with covariate variables in the form of world nickel futures price data is used because there is a significant effect of nickel prices on the closing price of ANTM.JK shares and heteroscedasticity is detected in the model. Machine learning-based method, LSTM is used because this method is known to have good prediction accuracy. Data processing is done using R-Studio and Python software. The results show that LSTM has better performance with a MAPE value of 4.425%, this value is smaller than the best model ARIMAX(2,1,2)-GARCH(1,1) with a MAPE of 7.326%.
KLASIFIKASI PROGRAM BANTUAN SOSIAL MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) (STUDI KASUS KECAMATAN MALANGBONG KABUPATEN GARUT) Fakhri Fikrillah, Hamzah Nurrifqi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 3: Juni 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128817

Abstract

Isu kemiskinan di Indonesia menjadi perhatian utama pemerintah baik di tingkat pusat maupun daerah. Pemerintah merespons permasalahan ini melalui beberapa program salah satunya Program Bantuan Sosial (BANSOS). Melalui inisiatif ini, pemerintah berusaha menurunkan tingkat kemiskinan. Namun sering kali penentuan atribut yang digunakan untuk menunjukkan bahwa masyarakat masuk dalam kategori miskin dan berhak mendapatkan BANSOS masih sering kali kurang tepat. Konsep data mining diharapkan dapat mempermudah penyelesaian masalah penentuan atribut BANSOS. Dengan menggunakan algoritma K-Nearest Neighbor dan metode Cross-Industry Standard Process for Data Mining (Crisp-DM), diharapkan dapat ditemukan solusi yang lebih akurat dan efisien dalam menentukan kriteria penduduk miskin untuk menerima BANSOS. Dari hasil penelitian yang telah dilakukan menggunakan aplikasi Rapidminer dengan jumlah data sebanyak 19.943 keluarga serta pembagian rasio 70% untuk data latih, 30% data uji dan nilai K=598 atau 3% dari total dataset, diperoleh tingkat akurasi model sebesar 86,70%. Pada model yang telah dibuat, dilakukan validasi terhadap model tersebut dengan menggunakan 600 data keluarga di luar dataset dengan kondisi geografis wilayah pegunungan, perkotaan dan pesisir. Hasil validasi ini menghasilkan akurasi sebesar 85,92%.   Abstract The issue of poverty in Indonesia is a major concern of the government at both the central and regional levels. The government responds to this problem through several programs, one of which is the Social Assistance Program (BANSOS). Through this initiative, the government is trying to reduce poverty levels. However, often the determination of the attributes used to indicate that people are in the poor category and are entitled to BANSOS is often inaccurate. The concept of data mining hopefully it will make things easier to solve the problem of determining BANSOS attributes. By using the K-Nearest Neighbor algorithm and the Cross-Industry Standard Process for Data Mining (Crisp-DM) method, it is hoped that a more accurate and efficient solution can be found in determining the criteria for poor people to receive BANSOS. From the results of research conducted using the Rapidminer application with a total of 19,943 families of data and a division ratio of 70% for training data, 30% for test data and a value of K=598 or 3% of the total dataset, a model accuracy rate of 86.70% was obtained. In the model that has been created, validation of the model was carried out using 600 family data outside the dataset with geographical conditions in mountainous, urban and coastal areas. The results of this validation produced an accuracy of 85.92%.
DETEKSI OBJEK PADA FRAMEWORK YOLOV5 DENGAN PENANGANAN KESILAUAN CAHAYA MENGGUNAKAN GABUNGAN ARSITEKTUR U-NET DAN INPAINT Afrialdy, Firman; Perdana, Rizal Setya; Dewi, Candra
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 3: Juni 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128866

Abstract

CCTV telah diterapkan untuk memantau berbagai aktivitas di lingkungan Universitas Brawijaya, termasuk lalu lintas kendaraan di gerbang kampus. Pengawasan pada malam hari dalam kondisi intensitas cahaya yang rendah  merupakan tantangan tersendiri dalam penggunaan CCTV. Hal ini dikarenakan kualitas gambar yang rendah sehingga menghambat kemampuan sistem untuk mendeteksi dan mengidentifikasi objek dengan tepat. Salah satu permasalahan yang timbul dalam kasus kurangnya pencahayaan adalah munculnya flare atau kesilauan yang disebabkan oleh lampu kendaraan yang mengarah langsung ke CCTV. Oleh karena itu, pada penelitian ini digunakan segmentasi U-Net dan restorasi inpaint untuk preproses data sebelum dilakukan deteksi objek menggunakan framework YOLOv5. Hasil pengujian deteksi objek diperoleh nilai precision 0.942, recall 0.873, dan F1-Score 0.88 pada model yang dipreproses menggunakan segmentasi U-Net dan restorasi inpaint. Nilai tersebut lebih tinggi sebesar 0.032 pada precision, 0.018 pada recall, dan 0.3 pada F1-Score jika dibandingkan dengan model yang tanpa preproses.­­   Abstract CCTV has been implemented to monitor various activities within Brawijaya University, including vehicle traffic at the campus gate. Surveillance at night in low light intensity conditions is a challenge in the use of CCTV. This is due to the low image quality that hampers the system's ability to detect and identify objects correctly. One of the problems that arise in the case of lack of lighting is the appearance of flares or glare caused by vehicle lights that point directly to the CCTV. Therefore, in this research, U-Net segmentation and inpaint restoration are used to preprocess data before object detection using the YOLOv5 framework. The results of object detection testing obtained precision values of 0.942, recall 0.873, and F1-Score 0.88 on models preprocessed using U-Net segmentation and inpaint restoration. These values are higher by 0.032 in precision, 0.018 in recall, and 0.3 in F1-Score when compared to the model without preprocessing.  
Grey Wolf Optimizer Termodifikasi Menggunakan Chaotic Uniform Initialization Untuk Estimasi Effort Cocomo Ardiansyah; Handayaningsih, Sri; Fathurrizki, Deva
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 3: Juni 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128901

Abstract

COCOMO merupakan metode estimasi effort perangkat lunak berbasis parametrik yang banyak digunakan dan fleksibel diimplementasikan pada organisasi skala kecil hingga besar. Akan tetapi, kedua parameter COCOMO, yaitu multiplikatif dan eksponensial kerap memberikan hasil yang kurang presisi serta tidak realistis untuk diterapkan pada lingkungan pengembangan perangkat lunak saat ini. Untuk mengatasi masalah tersebut, beberapa penelitian mengusulkan pendekatan berbasis pencarian untuk mendapatkan nilai parameter yang tepat dengan menggunakan algoritma optimasi metaheuristik. Grey Wolf Optimizer (GWO) merupakan salah satu algoritma optimasi yang bisa menghindari jebakan optimum lokal yang sering dialami oleh algoritma berbasis swarm intelligence. Namun, GWO kurang dalam hal diversity populasi yang membuat banyak kandidat solusi tidak mampu menjangkau ruang pencarian secara merata. Untuk mengatasi masalah tersebut, penelitian ini mengusulkan GWO termodifikasi berupa chaotic uniform initialization agar bisa meningkatkan diversity populasi. Metode yang diusulkan ini membangkitkan dua populasi awal yang masing-masing menggunakan teknik chaos dan acak. Setiap kandidat solusi pada kedua populasi tersebut diseleksi berdasarkan nilai fitness tertentu yang pada akhirnya akan membentuk satu populasi awal yang memiliki diversity yang lebih baik. Eksperimen pada penelitian ini menggunakan tiga himpunan data dari NASA. Untuk mendapatkan teknik chaos terbaik, dilakukan komparasi terhadap tujuh teknik chaos. Metode yang diusulkan kemudian dikomparasikan dengan algoritma GWO standar dan satu varian GWO terkini. Hasil penelitian menunjukkan bahwa metode yang diusulkan beserta teknik chaos circle terbukti mampu memperbaiki diversity populasi sehingga meningkatkan performa akurasi estimasi COCOMO. Metode yang diusulkan ini dimungkinkan untuk diintegrasikan pada alat bantu estimasi effort perangkat lunak yang biasa digunakan oleh para manajer proyek.   Abstract COCOMO is a parametric-based software effort estimation method that is widely used and flexible to implement in small to large scale organizations. However, the two COCOMO parameters, namely multiplicative and exponential, often provide results that lack precision and are not realistic to apply to the current software development environment. To overcome this problem, several studies have proposed search-based approach to obtain appropriate parameter values using metaheuristic optimization algorithms. Grey Wolf Optimizer (GWO) is an algorithm that can avoid the local minimum trap that is often experienced by other swarm intelligence algorithms. However, GWO lacks population diversity which makes candidate solutions unable to cover the search space evenly. This study proposes chaotic uniform initialization to increase population diversity. The proposed method generates two initial populations using chaotic and random techniques respectively. Each candidate solution in the two populations is selected based on a certain fitness value which will ultimately produce an initial population that has better diversity. The experiment in this study used three data sets from NASA. To get the best chaos technique, a comparison of seven chaos techniques was carried out. The proposed method is then compared with the standard GWO algorithm and a current GWO variant. The research results show that the proposed method and the chaos circle technique are proven to be able to improve population diversity thereby increasing the accuracy of COCOMO. The proposed method is possible to integrated into software effort estimation tools commonly used by project managers.
Analisis Penggunaan Media Pembelajaran Inovatif pada Pembelajaran Awal Pengenalan Angka Terhadap Anak Penderita Autisme Bere, Stevania; Tolle, Herman; Bachtiar, Fitra Abdurrachman
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 3: Juni 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128913

Abstract

Autisme merupakan kelainan pada system saraf yang dialami sejak lahir ataupun pada masa balita dengan ditandainya gejala seperti menutup diri, pendiam, tidak mau bergaul, tidak mau berkomunikasi atau berinteraksi dengan orang disekitarnya. Kondisi ini mengganggu perkembangan anak terutama pada kemampuan komunikasi, interaksi sosial dan sifat emosional dengan orang lain. Anak autisme pada umumnya mempunyai ciri-ciri sulit berkonsentrasi, cepat bosan jika dihadapakan pada hal-hal yang tidak sesuai dengan minatnya. Diasumsikan peran guru pembimbing mampu mengajarkan materi secara kreatif, baik dan menyenangkan. Pembelajaran awal anak autisme yang dilakukan kebanyakan masih menggunakan buku sebagai alat bantu pembelajaran dan tidak ada dalam bentuk digital. Dari hasil pengamatan salah satu sekolah autisme di Malang masih menggunakan pembelajaran tradisional menggunakan papan komunikasi kegiatan angka sebagai pembelajaran awal pengenalan angka. Penelitian ini menggunakan metode penelitian tindakan kelas (PTK) dengan pendekatan kualitatif. Media pembelajaran multimedia dan augmented reality digunakan untuk meningkatkan fokus dan keterlibatan siswa autisme.  Data diperoleh dari hasil observasi, serta deskriptif kualitatif, yang didukung oleh skala likert untuk mengukur motivasi belajar. Hasil yang didapatkan dari pengujian media pembelajaran multimedia dan Augmented Reality terbukti meningkatkan keterlibatan dan fokus siswa. Adanya karakter avatar pada AR juga menarik fokus pada anak autisme. Siswa lebih antusias saat menggunakan aplikasi multimedia dan AR yang memberikan pengalaman belajar interaktif. Dampak penelitian ini memberikan kontribusi penting terhadap pengembangan metode Pendidikan berbasis teknologi, serta menyediakan wawasan bagi pengembang aplikasi atau institusi pendidikan tentang potensi teknologi dalam mendukung pendidikan khusus. Penelitian ini juga berkontribusi pada pengembangan kebijakan yang lebih efektif dan inklusif bagi penderita autisme, sehingga dapat menciptakan lingkungan yang lebih mendukung siswa autisme untuk tumbuh dan berkembang.   Abstract Autism is a disorder of the nervous system experienced since birth or in infancy with symptoms marked by being withdrawn, quiet, not wanting to socialize, not wanting to communicate or interact with people around them. This condition interferes with the child's development, especially in communication skills, social interactions and emotional traits with others. Autistic children generally have the characteristics of difficulty concentrating, getting bored quickly when faced with things that are not in accordance with their interests. It is assumed that the role of the supervising teacher is able to teach material creatively, well and enjoyably. Early learning for autistic children that is carried out mostly still uses books as learning aids and is not in digital form. From the results of observations, one of the autism schools in Malang still uses traditional learning using a number activity communication board as initial learning for recognizing numbers. This study uses a classroom action research (CAR) method with a qualitative approach. Multimedia and augmented reality learning media are used to increase the focus and involvement of autistic students. Data were obtained from the results of observations, as well as qualitative descriptive, supported by a Likert scale to measure learning motivation. The results obtained from testing multimedia and Augmented Reality learning media have been shown to increase student involvement and focus. The presence of avatar characters in AR also attracts focus on autistic children. Students are more enthusiastic when using multimedia and AR applications that provide interactive learning experiences. The impact of this research provides an important contribution to the development of technology-based education methods, as well as providing insight for application developers or educational institutions about the potential of technology in supporting special education. This research also contributes to more effective and inclusive development policies for people with autism, so that it can create an environment that is more supportive of autistic students to grow and develop.

Page 1 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: Oktober 2015 Vol 2, No 2 (2015) Vol 2, No 1 (2015) Vol 2 No 1: April 2015 Vol 1, No 2 (2014) Vol 1 No 2: Oktober 2014 Vol 1, No 1 (2014) Vol 1 No 1: April 2014 More Issue