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
Kombinasi Teknik Pemodelan Prototipe pada Aplikasi Mobile untuk Monitoring Pengiriman Sampah Daur Ulang Noor Fauzi, Muh Hilmy; Lestari Lokapitasari Belluano, Poetri; Hasnawi, Mardiyyah
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.2025128936

Abstract

Penelitian ini bertujuan mengembangkan teknik pemodelan desain aplikasi mobile untuk memantau pengiriman sampah daur ulang dengan menggabungkan dua metode yaitu Rapid Prototyping dan User-Centered Design (UCD). Aplikasi yang dikembangkan untuk meningkatkan efektivitas pengiriman sampah daur ulang serta memastikan keterlibatan pengguna dalam proses pengelolaan limbah. Pemodelan aplikasi mobile dengan pendekatan Rapid Prototyping dalam pembuatan prototipe interaktif secara cepat sementara User Centre Design diterapkan dalam hal pemahaman secara mendalam terhadap kebutuhan pengguna. Kombinasi Teknik pemodelan antara Rapid Prototyping dan User Centre Design menghasilkan prototipe aplikasi yang baik dalam memonitor pengiriman sampah daur ulang, memberikan kontribusi positif dalam mengatasi permasalahan monitoring pengiriman sampah dan dampak positif pada industri daur ulang dimana pengujian akhir prototipe Efficiency, Effectiveness, Satisfaction, dan Usability yang telah dikembangkan berhasil menunjukkan hasil yang sangat positif. Proses pengembangan prototipe aplikasi mobile melalui beberapa tahapan antara lain analisis awal, perancangan prototipe, verifikasi dan pengujian awal, iterasi dan perbaikan, serta evaluasi akhir desain. Hasil Penelitian ini menunjukkan bahwa tingkat Efficiency dan Effectiveness pada pengujian akhir prototipe aplikasi sangat tinggi, dengan rata-rata nilai 5.00 sedangkan dari sisi Satisfaction dan Usability memperoleh rata-rata nilai sebesar 4.75.
PROTOTIPE SISTEM PENDUKUNG KEPUTUSAN TERINTEGRASI MODEL NER UNTUK VALIDASI DAN PENETAPAN PEMUKTAHIRAN DATA ASN Holik, Nur Muhamad; Sumpeno, Surya; Fuad Rachmadi, Reza
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.2025129175

Abstract

Untuk mendukung dan memperlancar penyelenggaraan manajemen aparatur sipil negara serta pengambilan keputusan yang efisien, efektif, dan akurat, diperlukan data pegawai ASN. Data tersebut harus dimutakhirkan dan divalidasi secara berkala sebelum disebarluaskan dan diakses oleh instansi pemerintah sesuai kewenangannya masing-masing serta dapat diakses oleh masyarakat melalui portal data sesuai dengan ketentuan peraturan perundang-undangan. Pada paper ini ditampilkan prototipe berbasis web untuk menunjukkan bahwa model NER yang dikembangkan dapat diintegrasikan sebagai subsistem dari sistem pendukung keputusan dalam melakukan validasi dan penetapan persetujuan pemutakhiran data ASN. Prototipe menunjukkan tingkat kemiripan hasil prediksi model dengan data yang diusulkan, tertinggi sebesar 100% dan terendah sebesar 41,34%. Pengukuran kinerja model menggunakan spacy menunjukkan bahwa model terbaik memperoleh nilai F1-score rata-rata sebesar 99,01 menggunakan dataset training, 98,20 menggunakan dataset testing, dan 94,26 menggunakan dataset other.
DATA MINING PENDIDIKAN: PREDIKSI GAYA BELAJAR MAHASISWA TEKNIK MENGGUNAKAN MACHINE LEARNING Sumarlin, Sumarlin; Anggraini, Dewi
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.2025129190

Abstract

Dalam platform online, pembelajar yang berbeda memiliki gaya belajar yang berbeda berdasarkan perilaku belajar. Oleh karena itu, menganalisis perilaku dan mendeteksi gaya belajar mahasiswa adalah penting untuk memberikan rekomendasi sumber daya yang tepat, sehingga meningkatkan hasil belajar mahasiswa. Untuk memprediksi gaya belajar mahasiswa, dihitung dan dibandingkan kinerja algoritma pembelajaran mesin seperti regresi logistik, pohon penentuan, K-Nearest neighbour, support vector machine, neural network, dan Naive Bayes. Dataset terdiri dari seratus mahasiswa teknik yang belajar Arsitektur Komputer selama satu semester. Studi berbasis data seperti ini sangat penting untuk membangun sistem analisis pembelajaran di institusi pendidikan tinggi dan membantu proses pengambilan keputusan. Hasilnya menunjukkan bahwa model yang disarankan mencapai akurasi klasifikasi sebesar 65–78% dengan hanya empat parameter digunakan: nilai akhir, predikat, program studi, dan jenis kelamin.  Hasil menunjukkan bahwa algoritma K-Nearest Neighbour memiliki tingkat akurasi 78% tertinggi dibandingkan dengan algoritma machine learning lainnya. Ini menunjukkan bahwa ada korelasi yang signifikan antara data aktual dan data prediksi. Hasilnya menunjukkan bahwa 78% sampel diklasifikasikan dengan benar.  Hasil empiris dari penelitian ini memungkinkan pemahaman yang lebih baik tentang proses penggalian data pendidikan perguruan tinggi saat ini. Pemahaman ini dapat digunakan untuk mempertimbangkan faktor-faktor yang perlu dipertimbangkan oleh para mahasiswa teknik saat membuat keputusan tentang proses pembelajaran.   Abstract In online platforms, different learners have different learning styles based on learning behavior. Therefore, analyzing behavior and detecting student learning styles is important to provide appropriate resource recommendations, thereby improving student learning outcomes. To predict student learning styles, the performance of machine learning algorithms such as logistic regression, determination trees, K-Nearest neighbors, support vector machines, neural networks, and Naive Bayes are calculated and compared. The dataset consists of one hundred engineering students studying Computer Architecture for one semester. Data-based studies like this are essential for building learning analytics systems in higher education institutions and aiding decision-making processes. The results show that the proposed model achieves a classification accuracy of 65–78% with only four parameters used: final grade, predicate, study program, and gender.  The results show that the K-Nearest Neighbor algorithm has the highest accuracy rate of 78% compared to other machine learning algorithms. This shows that there is a significant correlation between the actual data and the predicted data. The results show that 78% of the samples were classified correctly.  The empirical results of this research enable a better understanding of the current process of mining higher education education data. This understanding can be used to consider factors that engineering students need to consider when making decisions about the learning process.
Optimasi Algoritma Support Vector Machine Berbasis Kernel Radial Basis Function (RBF) Menggunakan Metode Particle Swarm Optimization Untuk Analisis Sentimen Angkoso, Cucun Very; Asror, Khozainul; Kusumaningsih, Ari; Nugroho, Andi Kurniawan
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.2025129317

Abstract

Di era digital, aplikasi Financial Technology (Fintech) telah menjadi bagian penting dalam kehidupan sehari-hari masyarakat. Kemudahan dan efisiensi yang ditawarkan oleh aplikasi Fintech menarik jutaan pengguna, yang aktif memberikan umpan balik dan ulasan di platform seperti Google Play Store. Ulasan ini menjadi sumber informasi berharga bagi pengembang untuk memahami persepsi pengguna, mengidentifikasi masalah, dan meningkatkan kualitas layanan. Penelitian ini bertujuan mengevaluasi efektivitas algoritma Particle Swarm Optimization (PSO) dalam meningkatkan akurasi analisis sentimen pada algoritma Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF). Data ulasan dikumpulkan melalui web scraping dari komentar di Google Play untuk tiga aplikasi Fintech, yaitu Flip, Neobank, dan Bank Jago. Tahapan pemrosesan meliputi pelabelan, preprocessing untuk membersihkan data, dan pembobotan kata menggunakan metode TF-IDF (Term Frequency-Inverse Document Frequency). Teknik Random Oversampling diterapkan untuk mengatasi ketidakseimbangan kelas dalam dataset. Hasil penelitian menunjukkan bahwa optimasi parameter dengan PSO mampu meningkatkan kinerja analisis sentimen, dengan peningkatan rata-rata sebesar 11,33% untuk setiap aplikasi. PSO juga meningkatkan akurasi model dalam menghadapi tantangan data tidak seimbang, memberikan wawasan yang lebih dalam bagi pengembang aplikasi untuk meningkatkan layanan.   Abstract Financial technology (Fintech) applications have become part of people's daily lives in the digital era. The convenience and efficiency offered by Fintech applications have attracted millions of users, who actively provide feedback and reviews on platforms such as the Google Play Store. These reviews are an important source of information for application developers to understand user perceptions, identify problems, and improve service quality. The study investigates the effectiveness of the Particle Swarm Optimization (PSO) method for balanced and unbalanced datasets and how well it improves sentiment analysis accuracy when applied to the Support Vector Machine (SVM) algorithm when using Radial Basis Function (RBF) kernel. We conducted web scraping to collect user review data from Google Play for three FinTech applications: Flip, Neobank, and Bank Jago as research objects. Following data collection, the review data underwent preprocessing steps, such as word weighting using the TF-IDF (Term Frequency-Inverse Document Frequency), labeling, and preprocessing to clean the data. Random Oversampling resolved the dataset's class imbalance, making all classes representative in the study. The results of this study indicate that parameter optimization with PSO can improve the performance of sentiment analysis on the subjects studied. Furthermore, based on the results of SVM testing using parameter optimization of the PSO algorithm, an average performance increase of 11.33% was obtained for each application that had been analyzed. The results also show that PSO improves model accuracy in sentiment analysis with imbalanced data challenges, providing deeper insights for application developers to improve services.
Pengaruh Non-Automatic Repeat Request (Arq) Mode Terhadap Packet Error Rate Pada Drone-Based Wireless Sensor Network Rahmadya, Budi; Ampuh Hadiguna, Rika
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.2025129373

Abstract

Penelitian ini membahas tentang performa dari 2.4 GHz Zigbee wireless antenna untuk aplikasi wide-area wireless sensor network. Transmitter antenna di install pada drone sebagai media mobile wireless sensor network dan receiver antenna berada di lokasi tertentu pada lingkungan luar ruangan. Setingan alat untuk transmitter antenna dan receiver antenna yaitu non-Automatic Repeat Request (ARQ) mode sehingga data yang di terima oleh receiver dalam experimen ini nanti bisa menjadi perbandingan dengan hasil perhitungan teoritis menggunakan Matlab. Non-ARQ menjadi alternative untuk mengurangi konsumsi energi pada jaringan wireless sensor network. Dalam experimen ini dilakukan model point-to-point communication. Dari hasil experimen diperoleh jarak 0m-100m nilai dari Packet Error Rate (PER) untuk masing-masing ketinggian drone meningkat mencapai 17-18%. Lebih lanjut pada jarak 100m-150m nilai PER mengalami penurunan yaitu 15-16% untuk tiga ketinggian drone yang berbeda. Mulai dari jarak 150m-250m nilai PER mengalami kenaikan yang siginifikan, hingga mencapai PER 70% untuk ketinggian drone 30m,  PER 80% untuk ketinggian drone 45m dan PER 88% untuk ketinggian drone 15m. Pada jarak 250m-350m nilai PER terlihat masih konstan untuk ketinggian drone 45m dan ketinggian 30m yaitu mencapai nilai PER 78% pada jarak 350m, sedangkan untuk ketinggian drone 15m menunjukan nilai PER naik hingga mencapai 98% pada jarak 350m. Hasil simulasi dengan Matlab menunjukan Received Signal Strength Indicator (RSSI) terhadap jarak transmitter antenna dengan receiver antenna untuk ketinggian transmitter antenna 15m dan receiver antenna 1.5m. nilai RSSI terus meningkat -66 dBm pada jarak 20m dan ini adalah nilai RSSI terbaik. Lebih lanjut untuk ketinggian transmitter antenna 30m dan receiver antenna 1.5m. Nilai RSSI terus meningkat -73 dBm pada jarak 45m dan ini adalah nilai RSSI terbaik. Pada jarak 3m nilai RSSI terus meningkat -76 dBm pada jarak 62m dan ini adalah nilai RSSI terbaik.   Abstract This research discusses the performance of the 2.4 GHz Zigbee wireless antenna for wide-area wireless sensor network applications. The transmitter antenna is installed on the drone as a mobile wireless sensor network medium and the receiver antenna is located in a certain location in the outdoor environment. The device settings for the transmitter antenna and receiver antenna are non-Automatic Repeat Request (ARQ) mode so that the data received by the receiver in this experiment can later be compared with the results of theoretical calculations using Matlab. Non-ARQ is an alternative to reduce energy consumption in wireless sensor networks. In this experiment, a point-to-point communication model was carried out. From the experimental results, it was found that at a distance of 0m-100m, the Packet Error Rate (PER) value for each drone height increased by 17-18%. Furthermore, at a distance of 100m-150m, the PER value experienced a slight decrease, namely 15-16% for three different drone heights. Starting from a distance of 150m-250m, the PER value experiences a significant increase, reaching a PER of 70% for a drone height of 30m, a PER of 80% for a drone height of 45m and a PER of 88% for a drone height of 15m. At a distance of 250m-350m, the PER value appears to remain constant for a drone height of 45m and a height of 30m, namely reaching a PER value of 78% at a distance of 350m, while for a drone height of 15m, the PER value increases to reach 98% at a distance of 350m. The simulation results with Matlab show Received Signal Strength Indicator (RSSI) to the distance between the transmitter antenna and the receiver antenna for a transmitter antenna height of 15m and receiver antenna height of 1.5m. The RSSI value continues to increase -66 dBm at a distance of 20m and this is the best RSSI value. Furthermore, the height of the transmitter antenna is 30m and the receiver antenna is 1.5m. The RSSI value continues to increase -73 dBm at a distance of 45m and this is the best RSSI value. At a distance of 3m the RSSI value continues to increase -76 dBm at a distance of 62m and this is the best RSSI value.
Algoritma Enkripsi Dan Embedding Citra Digital Menggunakan Logistic Map-3 Dan Least Siginificant BIT Sukirman, Edi; MT, Suryadi; R Pratiwi, Rindang
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.2025129400

Abstract

Upaya pencegahan kebocoran atau pencurian data dan informasi digital dilakukan untuk menghindari penyalahgunaan oleh pihak ketiga yang menimbulkan berbagai kerugian. Pencegahan tersebut salah satunya dengan meningkatkan upaya keamanan data dan informasi melalui penerapan proses enkripsi dan dekripsi serta embedding dan ekstraksi (dalam dua tingkat pengamanan). Citra digital yang sudah dienkripsi (disandikan) sehingga menghasilkan citra yang tidak tampak (gambar yang blur atau berantakan). Selanjutnya agar tidak mencurigkan maka dilakukan tahapan pengamanan berikutnya yakni dengan disembunyikan (di embedding) pada citra lainnya yang bersifat umum. Teknik enkripsi yang digunakan dalam penelitian ini adalah fungsi chaos Logistic map-3 dan teknik penyisipan data Least Significant Bit-1 terhadap data berupa citra digital. Algoritma yang dirancang dalam paper ini adalah melakukan proses enkripsi dan embedding secara berurutan. Begitu pula untuk mendapatkan data dan informasi asli dilakukan dengan proses ekstraksi dan dekripsi secara berurutan. Hasil pengujian berdasarkan data pengujian yang digunakan pada paper ini menunjukkan bahwa data citra digital rahasia atau asli (secret image) telah berhasil dienkripsi dan disisipkan dengan baik, sehingga tidak dapat dikenali bahwa data gambar tersebut berisi data citra rahasia (secret image). Hal tersebut ditunjukkan dengan nilai PSNR nya tak hingga. Begitu pula dengan proses ekstraksi dan dekripsi yang berhasil dilakukan sehingga data citra rahasia (secret image) dapat diperoleh kembali dengan baik. Hal tersebut ditunjukkan dengan nilai PSNR nya tak hingga.     Abstract Efforts to prevent leakage of digital data and information are carried out to avoid misuse by third parties that cause various losses. One of these preventions is by increasing the security of data and information through the application of encryption and decryption processes as well as embedding and extracting (in two levels of security). Digital images that have been encrypted (coded) so that they produce invisible images (blurry or messy images). Furthermore, so as not to be suspicious, the next security stage is carried out, namely by hiding (embedding) in other general images. The encryption technique used in this research is the chaos function of Logistic map-3 and the Least Significant Bit-1 data insertion technique. The algorithm designed is to perform the encryption and embedding processes sequentially. Likewise, to get the original data and information, it is done by sequentially extracting and decrypting processes. The test results based on the test data used, show that the original digital image data (secret image) has been successfully encrypted and embedded properly, so it cannot be recognized that the image data contains plain image data (secret image). This is indicated by the infinite PSNR value. Likewise, the extraction and decryption processes were successfully carried out so that the plain image data (secret image) could be retrieved properly. This is indicated by the infinite PSNR value.  
SENTRIN- PERANCANGAN APLIKASI BERBASIS WEBSITE UNTUK EDUKASI DAN PENGELOLAAN PERTANIAN BIOFARMAKA MENGGUNAKAN METODE FAST (FRAMEWORK FOR THE APPLICATION SYSTEM THINKING) Aditya, Bayu Rima; Hamdani, Dadan
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.2025129440

Abstract

Permasalahan dalam sektor pertanian biofarmaka di Indonesia saat ini mencakup beberapa aspek penting yang menghambat perkembangan dan produktivitasnya. Salah satu masalah utama adalah kurangnya infrastruktur dan akses terhadap teknologi pertanian modern. Banyak petani masih menggunakan metode tradisional karena keterbatasan teknologi. Untuk mengatasi hal ini, dikembangkanlah FocketFarm, sebuah platform edukasi berbasis web untuk pertanian greenhouse. Tujuannya adalah memberikan pengetahuan dan keterampilan praktis dalam pertanian greenhouse kepada pengguna. Pengguna FocketFarm dapat memperoleh informasi tentang teknik bertani, perawatan tanaman, pengelolaan sumber daya, dan praktik-praktik pertanian yang berkelanjutan. Untuk mengembangkan website FocketFarm, yaitu dengan menggunakan metode Framework for the Application of System Thinking (FAST) tujuan nya adalah untuk menyusun desain sistem secara lebih efisien dan sesuai dengan tujuan yang ditetapkan. Webste FocketFarm dapat memperoleh informasi tentang teknik bertani di dalam greenhouse, perawatan tanaman, pengelolaan sumber daya, dan praktik-praktik pertanian yang berkelanjutan. Dengan antarmuka yang mudah digunakan, FocketFarm memungkinkan akses yang intuitif bagi pengguna dari latar belakang yang beragam. Dengan demikian, FocketFarm berfungsi sebagai alat efektif dalam meningkatkan pemahaman dan keterampilan dalam pertanian greenhouse melalui platform web yang mudah diakses   Abstract  Chess has been estimated to have around 1043 possible positions. This number surpasses the computing ability of any computer available, therefore, building a chess engine that considers every possible position is deemed impractical. Currently, the use of neural network in chess engine development is on the rise and has been delivering promising results since the introduction of Google DeepMind’s AlphaZero in 2017. This research aims to bring a new potential approach to the field of neural network based chess engine development by introducing Deeplefish chess engine that uses a Long Short Term Memory (LSTM) model as move generator. Trained on more than 57.000 games broken down into more than 1.200.000 positions, the model is trained to predict the next move played by white for a given sequence of moves. The model achieved a loss of 3.01 and an Average Centipawn Loss (ACPL) of 219 on the validation set. Deeplefish achieved 2 wins, 72 losses, and 10 draws on the testing, showing a lack of board and contextual awareness. This unsatisfactory results are likely due to the subjectivity of the data to the player’s way of thinking, resulting in lack of significant move pattern to be learned by the model.
SENTRIN- Mesin Catur Berbasis Neural Network Menggunakan Long Short Term memory (LSTM) Fattah, Rafi Indra; Adikara, Putra Pandu; Setiawan, Budi Darma
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.2025129445

Abstract

Catur diperkirakan memiliki sekitar 1043 kemungkinan posisi. Angka tersebut jauh melampaui kemampuan komputasi komputer yang ada saat ini, sehingga mengembangkan sebuah mesin catur dengan mempertimbangkan seluruh kemungkinan posisi dianggap tidak memungkinkan. Saat ini, penggunaan Neural Network pada pengembangan mesin catur sedang mengalami peningkatan dan telah membawa hasil yang menjanjikan sejak pertama kali diperkenalkan oleh AlphaZero milik Google DeepMind pada tahun 2017. Penelitian ini bertujuan untuk membawa potensi pendekatan baru pada ranah pengembangan mesin catur berbasis Neural Network dengan memperkenalkan mesin catur Deeplefish yang melakukan gerakan berdasarkan keluaran model Long Short Term Memory (LSTM). Menggunakan lebih dari 57.000 pertandingan yang terbagi menjadi 1.200.000 posisi, model dilatih untuk memprediksi langkah berikutnya oleh putih untuk sebuah rangkaian gerakan yang diberikan. Model meraih loss sebesar 3,01 dan Average Centipawn Loss (ACPL) sebesar 219 pada data uji. Deeplefish meraih 2 kemenangan, 72 kekalahan, dan 10 hasil seri pada tahap pengujian. Hasil yang tidak memuaskan ini dapat disebabkan oleh subjektivitas data terhadap cara berpikir pemain, menghasilkan kurangnya pola gerakan yang signifikan untuk dipelajari oleh model.   Abstract Chess has been estimated to have around 1043 possible positions. This number surpasses the computing ability of any computer available, therefore, building a chess engine that considers every possible position is deemed impractical. Currently, the use of neural network in chess engine development is on the rise and has been delivering promising results since the introduction of Google DeepMind’s AlphaZero in 2017. This research aims to bring a new potential approach to the field of neural network based chess engine development by introducing Deeplefish chess engine that uses a Long Short Term Memory (LSTM) model as move generator. Trained on more than 57.000 games broken down into more than 1.200.000 positions, the model is trained to predict the next move played by white for a given sequence of moves. The model achieved a loss of 3.01 and an Average Centipawn Loss (ACPL) of 219 on the validation set. Deeplefish achieved 2 wins, 72 losses, and 10 draws on the testing, showing a lack of board and contextual awareness. This unsatisfactory results are likely due to the subjectivity of the data to the player’s way of thinking, resulting in lack of significant move pattern to be learned by the model.
SENTRIN- IMPLEMENTASI ALGORITMA CLEFIA 128DAN TIME-BASED ONE TIME PASSWORDSEBAGAI TWO-FACTOR AUTHENTICATIONUNTUK MENINGKATKAN KEAMANANPADA PROSES AUTENTIKASI Annaisaburi, Munjin Nasyih; Kusyanti, Ari; Trisnawan, Primantara Hari
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.2025129457

Abstract

  Autentikasi merupakan proses verifikasi data dengan cara memastikan bahwa pengguna atau users adalah pemilik akses yang sah pada sistem. Proses autentikasi sederhana menggunakan metode single-factor authentication (SFA) dengan menggunakan password atau PIN. SFA memiliki kelemahan karena rentan terhadap serangan seperti brute force dan sniffing. Efek dari serangan ini berimbas pada kebocoran data. Badan Siber dan Sandi Negara (BSSN) mencatat pada tahun 2023 terdapat 103 insiden dugaan kebocoran data.  Insiden ini terjadi karena prosedur pengamanan masih rendah, terutama dalam mengamankan PIN, aplikasi, dan keamanan internet yang menggunakan SFA. Solusi untuk meningkatkan keamanan pada proses autentikasi dilakukan dengan mengkombinasikan kriptografi berupa algoritma Clefia-128 dengan two-factor authentication berupa TOTP. Penelitian ini mengimplementasikan algoritma Clefia-128 yang ditulis dalam bahasa pemrograman Python versi 3 untuk proses enkripsi dan dekripsi secret key token TOTP pada sistem yang dibangun menggunakan bahasa pemrograman PHP dengan web-server XAMPP. Implementasi Clefia-128 dan TOTP pada sistem berhasil meningkatkan keamanan data ketika proses autentikasi login website. Hal ini dibuktikan dengan pengujian keamanan dengan metode cipher-only attack menggunakan wireshark yang dikombinasikan dengan brute force menunjukkan bahwa ciphertext yang didapat tidak berhasil dipecahkan. Pengujian berdasarkan test vector menunjukkan bahwa Clefia-128 memberikan hasil yang konsisten dan akurat, serta hasil pengujian performa Clefia-128 untuk enkripsi memerlukan waktu 0.0012277 detik dan dekripsi memerlukan waktu 0.0012895 detik.
SENTRIN- Implementasi Algoritma Sparkle Schwaemm128-128 Untuk Proses Enkripsi Pengiriman Data Pada Sensor GPS berbasis IoT dengan Protokol Modul NRF24L01 Sugianto, Avis; Kusyanti, Ari; Trisnawan, Primantara Hari
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.2025129462

Abstract

Penelitian ini bertujuan untuk menerapkan algoritma enkripsi Sparkle Schwaemm128-128, yang merupakan algoritma enkripsi ringan yang berdasarkan pada permutasi Sparkle, untuk proses enkripsi pengiriman data pada sensor GPS berbasis IoT dengan protokol modul NRF24L01. Metode penelitian yang digunakan adalah eksperimen dengan menggunakan perangkat keras NodeMCU ESP8266, sensor GPS NEO-6Mv2, modul komunikasi NRF24L01, dan platform Arduino IDE. Hasil penelitian menunjukkan bahwa algoritma Sparkle Schwaemm128-128 dapat mengenkripsi dan mendekripsi data sensor GPS dengan kecepatan 8012 mikrodetik untuk waktu enkripsi dan 13108 untuk waktu dekripsi. Sisa memori penggunaan pada mikrokontroler NodeMCU ESP8266 berkisar 51765 byte yaitu hanya 36,75% memori yang terpakai pada node sensor dan 52174 byte yaitu hanya 36,36% memeri yang terpakai pada node pusat. Penelitian ini diharapkan dapat memberikan solusi keamanan yang efisien dan efektif untuk sistem IoT yang menggunakan sensor GPS dan modul komunikasi NRF24L016.

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