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 4: Agustus 2025" : 25 Documents clear
Implementasi Mask R-Cnn Pada Perhitungan Persentase Tutupan Karang Untuk Memantau Ekosistem Terumbu Karang Maretna, Cut Nadilla; Husaini; Haridhi, Haekal Azief; Alkhalis, Naufal; Nur Fadli; Haditiar, Yudi; Nanda, Muhammad; Ulfah, Maria; Kris Handoko; Intan Malayana; Arsa Cindy Safitri
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 4: Agustus 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.124

Abstract

Terumbu karang memiliki peranan penting bagi kehidupan di laut. Namun, ekosistem terumbu karang sangat rentan mengalami kerusakan karena sejumlah faktor seperti aktivitas manusia, perubahan iklim, lambatnya laju pertumbuhan dan sebagainya. Upaya pelestarian terumbu karang telah dilakukan, namun pemantauan masih minim. Oleh karena itu, pemantauan ekosistem terumbu karang perlu ditingkatkan untuk mengetahui kondisi terumbu karang sebenarnya. Persentase tutupan karang adalah indikator yang perlu diketahui sebagai penentuan tingkat kehidupan terumbu karang. Proses pemantauan terumbu karang saat ini masih dilakukan secara konvensional, sehingga proses pemantauan tidak efisien dan perolehan informasi mengenai persentase tutupan karang membutuhkan waktu yang panjang. Penelitian ini mengimplementasikan algoritma Mask Region Convolutional Neural Network (Mask R-CNN) pada library Detectron2 untuk melakukan deteksi dan segmentasi objek tutupan karang pada ekosistem terumbu karang dengan menggunakan citra terumbu karang sebagai input. Model yang digunakan untuk segmentasi instance pada citra terumbu karang ini dilatih dengan menggunakan backbone Residual Network (ResNet) dan Residual Networks Next (ResNeXt) yang terdapat pada library Detectron2. Model backbone dievaluasi berdasarkan matriks presisi dan recall. Hasil penelitian menunjukkan ResNeXt101-FPN merupakan backbone terbaik dalam menghasilkan segmentasi. Hasil proses segmentasi tersebut kemudian digunakan untuk menghitung persentase tutupan karang. Berdasarkan hasil perhitungan, persentase tutupan karang dengan data yang diuji adalah sebesar 86,06%. Dengan demikian, proses perhitungan persentase tutupan karang untuk memantau ekosistem terumbu karang dapat dilakukan dengan efisien dan informasi mengenai persentase tutupan karang dapat diperoleh dalam waktu yang singkat.   Abstract Coral reefs have an important role for life in the sea. However, coral reef ecosystems are very vulnerable to damage due to a number of factors such as human activities, climate change, slow growth rates and so on. Efforts to preserve coral reefs have been made, but monitoring remains minimal. Therefore, coral reef ecosystem monitoring needs to be enhanced to assess their actual condition. The percentage of coral cover is an indicator that needs to be known as a determination of the life rate of coral reefs. The current coral reef monitoring process is still carried out conventionally, so the monitoring process is inefficient and obtaining information about the percentage of coral cover takes a long time. This study implements the Mask Region Convolutional Neural Network (Mask R-CNN) algorithm in the Detectron2 library to detect and segment coral cover objects in coral reef ecosystems using coral reef images as input. The model used for instance segmentation on coral reef images was trained using the Residual Network (ResNet) and Residual Networks Next (ResNeXt) backbones, which are available in the Detectron2 library. The backbone model is evaluated based on precision and recall matrices. The results show that ResNeXt101-FPN is the best backbone in producing segmentation. The results of the segmentation process are then used to calculate the percentage of coral cover. Based on the calculation results, the percentage of coral cover with the tested data was 86.06%. Thus, the process of calculating the coral cover percentage to monitor coral reef ecosystems can be carried out efficiently and information about the coral cover percentage can be obtained in a short time.
Implementasi Adaptive Neuro-Fuzzy Inference System PadaSistem Deteksi Kelelahan Mental Berbasis Sinyal Electroencephalogram Surya Darma Santoso, Teguh; Widasari, Edita Rosana
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 4: Agustus 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.124

Abstract

Kelelahan mental merupakan fenomena umum pada pelajar dan pekerja yang ditandai dengan penurunan energi, motivasi, kemampuan kognitif dan lainnya. Jika tidak segera ditangani, maka dapat menyebabkan berbagai gangguan kesehatan fisik maupun mental dan meningkatkan resiko kecelakaan. Psikolog mengidentifikasi kelelahan mental melalui pengukuran secara subjektif dengan kuesioner atau pengukuran secara kognitif dengan tes kognitif. Namun, proses tersebut memerlukan waktu yang lama dan hasil pengukuran cenderung bersifat subjektif, rentan terhadap kesalahan dan kurang valid untuk pasien yang terbiasa dengan aktivitas kognitif. Oleh karena itu, penelitian ini mengusulkan implementasi metode Adaptive Neuro-Fuzzy Inference System pada sistem deteksi kelelahan mental berbasis sinyal electroencephalogram satu kanal untuk meningkatkan keakuratan diagnosis, efisiensi waktu dan kenyamanan pengguna. Sistem menggunakan metode normalisasi min-max, segmentasi, dekomposisi Discrete Wavelet Transform, dan ekstraksi fitur Power Percentage, Standard Deviation, Mean Absolute Value dari sinyal theta. Sistem dikemas dalam aplikasi Graphical User Interface berbasis MATLAB sehingga dapat menampilkan keluaran berupa grafik sinyal theta, nilai-nilai ekstraksi fitur, dan hasil diagnosis pada laptop pengguna. Sistem ini menghasilkan akurasi klasifikasi sebesar 90% dan rata-rata waktu komputasi mencapai 0,45 detik. Sistem ini dapat diandalkan dan digunakan sebagai alat validator tambahan untuk psikolog dalam mendiagnosis kelelahan mental.   Abstract Mental fatigue is a common phenomenon in students and workers characterized by decreased energy, motivation, cognitive ability and more. If left untreated, it can lead to various physical and mental health problems and increase the risk of accidents. Psychologists identify mental fatigue through subjective measurements with questionnaires or cognitive measurements with cognitive tests. However, the process takes a long time and the measurement results tend to be subjective, prone to errors and less valid for patients who are accustomed to cognitive activities. Therefore, this study proposes the implementation of the Adaptive Neuro-Fuzzy Inference System method on a single-channel electroencephalogram signal-based mental fatigue detection system to improve diagnosis accuracy, time efficiency and user convenience. The system uses min-max normalization, segmentation, Discrete Wavelet Transform decomposition, and Power Percentage, Standard Deviation, Mean Absolute Value feature extraction methods from theta signals. The system is packaged in a MATLAB-based Graphical User Interface application so that it can display output in the form of theta signal graphs, feature extraction values, and diagnosis results on the user's laptop. The system produced a classification accuracy of 90% and an average computation time reached 0.45 seconds. The system is reliable and can be used as an additional validator tool for psychologists in diagnosing mental fatigue.
Implementasi Artificial Intelligence DanInternet Of Things Untuk Mendeteksi Penggunaan Helm Proyek Syabilla Rosyada, Bilqis; Fitriyani, Yunita; Agung Setyawan, Thomas; Wasito, Endro; Budi Waluyo, Catur; Ratna Kusumatuti, Dianita; Helmy, Helmy
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 4: Agustus 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.124

Abstract

BPJS Ketenagakerjaan mencatat bahwa jumlah kecelakaan kerja di Indonesia meningkat dari 221.740 kasus pada tahun 2020 menjadi 234.370 kasus pada tahun 2021, dan terus meningkat hingga mencapai 256.334 kasus pada November 2022. Berdasarkan data dari Kementerian Ketenagakerjaan Indonesia, pada tahun 2020, 57,5% dari total 126,51 juta pekerja di Indonesia memiliki tingkat pendidikan rendah, yang berkontribusi pada rendahnya kesadaran akan pentingnya budaya Keselamatan dan Kesehatan Kerja (K3) serta penggunaan Alat Pelindung Diri (APD) yang sesuai standar. Pemantauan penggunaan APD, termasuk helm proyek di area konstruksi, masih dilakukan secara manual, yang dirasa kurang efisien. Penelitian ini bertujuan untuk mengembangkan alat berbasis Artificial Intelligence (AI) dan Internet of Things (IoT) yang dapat memantau penggunaan helm proyek secara real-time dengan akurasi tinggi dan dapat dipantau melalui dashboard. Alat ini terbukti lebih efektif dalam meminimalisir kecelakaan kerja, dengan rata-rata akurasi deteksi sebesar 84,65% untuk pekerja yang memakai helm dan 71,5% untuk yang tidak memakai helm. Penelitian ini menggunakan metode Agile yang melibatkan observasi, identifikasi kebutuhan, perancangan, pembuatan sistem, implementasi, dan pengujian. Hasil penelitian ini menunjukkan bahwa sistem yang dikembangkan mampu memberikan kemudahan bagi petugas K3 dalam melakukan pengawasan, sehingga dapat mengurangi risiko kecelakaan kerja.   Abstract The Workers Social Security Agency (BPJS Ketenagakerjaan) recorded that the number of work accidents in Indonesia increased from 221,740 cases in 2020 to 234,370 cases in 2021, and continued to rise, reaching 256,334 cases by November 2022. According to data from the Indonesian Ministry of Manpower, in 2020, 57.5% of the total 126.51 million workers in Indonesia had a low level of education, which contributed to a lack of awareness of the importance of Occupational Safety and Health (OSH) culture and the use of Personal Protective Equipment (PPE) that meets standards. The monitoring of PPE usage, including project helmets in construction areas, is still conducted manually, which is considered inefficient. This study aims to develop a tool based on Artificial Intelligence (AI) and the Internet of Things (IoT) that can monitor the use of project helmets in real-time with high accuracy and can be monitored through a dashboard. This tool has proven to be more effective in minimizing work accidents, with an average detection accuracy of 84.65% for workers wearing helmets and 71.5% for those not wearing helmets. The study utilized the Agile method, involving observation, needs identification, system design, system development, implementation, and testing. The results of this study show that the developed system can provide ease for OSH officers in conducting supervision, thereby reducing the risk of work accidents.  
Klasifikasi Citra Produk Chiffon Cake Dengan Metode K-Nearest Neighbors Dan Grey Level Co-Occurrence Matrix Untuk Quality Control Novaldy, Olwin Kirab; Hermawan, Arief; Avianto, Donny
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 4: Agustus 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.124

Abstract

Chiffon cake adalah salah satu kue yang populer, dan kepuasan pelanggan sangat dipengaruhi oleh kualitas produk chiffon cake. Oleh karena itu, diperlukan sistem pengendalian kualitas yang efektif untuk mendeteksi chiffon cake yang cacat. Dalam penelitian ini, digunakan metode K-Nearest Neighbors (KNN) sebagai alat klasifikasi untuk mendeteksi produk chiffon cake yang cacat. Tujuan utama penelitian ini adalah membuat model sistem pengendalian kualitas yang dapat mengklasifikasikan chiffon cake secara otomatis ke dalam dua kategori: "lolos" dan "cacat." Sistem ini diharapkan dapat meningkatkan efisiensi proses produksi dan mengurangi kemungkinan produk cacat sampai ke tangan konsumen. Studi ini menggunakan KNN dan Gray Level Co-Occurrence Matrix (GLCM). Metode klasifikasi KNN bergantung pada pemilihan tetangga terdekat data untuk menentukan kategori kelasnya, sedangkan GLCM adalah teknik ekstraksi fitur yang digunakan untuk mengukur tekstur gambar dengan menganalisis hubungan antara dua piksel dalam orde kedua. Untuk melatih model KNN, studi ini menggunakan dataset yang diambil sendiri melalui pemotretan produk chiffon, kemudian diberi label "lolos" dan "cacat." Setelah melatih model, penulis melakukan pengujian dengan data uji untuk mengevaluasi kinerjanya. Hasil penelitian menunjukkan bahwa penerapan KNN memungkinkan pengklasifikasian chiffon cake dengan akurasi 90,4%. Validasi lebih lanjut dengan dataset yang lebih besar dan beragam diperlukan untuk memastikan bahwa model tetap robust dan dapat diandalkan dalam berbagai kondisi produksi.   Abstract Chiffon cake is one of the popular types of cake, and customer satisfaction is greatly influenced by the quality of the chiffon cake. Therefore, an effective quality control system is necessary to detect defective chiffon cakes. In this research, the K-Nearest Neighbors (KNN) method is used as a classification tool to detect defective chiffon cakes. The main objective of this study is to create a quality control system model that can automatically classify chiffon cakes into two categories: "Pass" and "Not Pass." This model is expected to increase production efficiency and reduce the risk of defective products reaching consumers. This study uses KNN and the Gray Level Co-Occurrence Matrix (GLCM). The KNN classification method determines the class category by selecting the data's nearest neighbors, while GLCM is a feature extraction method that measures image texture by analyzing the correlation between two pixels in the second order. To train the KNN model, this study used a dataset of manually photographed products, labeled as "lolos" and "cacat" After training the model, this study evaluates its performance using test data. The research results showed that the KNN application can classify chiffon cakes with an accuracy of 90.4%. Further validation with larger and more diverse datasets is recommended to enhance the model's robustness and applicability.
KLASIFIKASI BUAH KELAPA BERDASARKAN WARNA KULIT UNTUK MENGIDENTIFIKASI KETEBALAN DAGING PADA BERBAGAI TINGKAT KEMATANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN (JST) Ahmad Khan, Sardar Faroq; Dina Salam, Fitria Nur; Aulia, Magfirah; Kaswar, Andi Baso; Jariah S.Intam, Rezki Nurul; Wahid, Abdul
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 4: Agustus 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.124

Abstract

Kelapa (Cocos nucifera L.) adalah bagian dari suku aren-arenan atau Arecaceae dari marga cocos. Kelapa adalah tanaman yang sering ditemui dan kaya akan manfaat bagi umat manusia, mulai dari daun, batang pohon dan buah kelapanya. Pedagang tradisional dapat menggunakan suara yang dihasilkan dari ketukan tangan untuk mengetahui tingkat kematangan buah kelapa. Namun, dengan cara manual ini ada kemungkinan kesalahan dalam proses pengklasifikasianya. Maka dari itu, pada penelitian ini diusulkan judul Klasifikasi Buah Kelapa Berdasarkan Ketebalan Dagingnya Pada Berbagai Tingkat Kematangan Menggunakan Jaringan Saraf Tiruan (JST). Metode penelitian untuk pengklasifikasian terdiri atas 7 tahap yaitu tahap akuisisi citra, preprocessing, segmentasi, operasi morfologi, ekstraksi fitur, klasifikasi, dan evaluasi. Harapan dari metode yang digunakan untuk memberikan solusi khusunya kepada para petani dan pedagang dalam mengklasifikasi atau menyortir buah kelapa untuk mengetahui kualitas dagingnya dengan bantuan teknologi pengolahan citra digital. Dengan menggunakan 300 dataset citra yang dibagi menjadi 240 citra latih dan 60 citra uji, yang menghasilkan tingkat akurasi 97,91% pada citra latih dan 96,66% pada citra uji. Dengan waktu komputasi 0,31 detik per citra pada citra latih dan 0,21 detik per citra pada citra uji. Sehingga hasil dari pembahasan pada penelitian ini, pengklasifikasian buah kelapa menggunakan metode Jaringan Saraf Tiruan (JST) dengan memanfaatkan fitur warna dapat berjalan dan menghasilkan hasil yang dapat digolongkan baik.Abstract Coconut (Cocos nucifera L.) is part of the Arecaceae tribe of the cocos genus. Coconut is a plant that is often encountered and is rich in benefits for mankind, starting from the leaves, tree trunk and coconut fruit. Traditional traders can use the sound produced by hand tapping to determine the ripeness of the coconut fruit. However, with this manual method there is a possibility of error in the classification process. Therefore, this research proposes the title Classification of Coconut Fruit Based on the Thickness of the Flesh at Various Levels of Maturity Using Artificial Neural Networks (JST). The research method for classification consists of 7 stages, namely image acquisition, preprocessing, segmentation, morphological operations, feature extraction, classification, and evaluation. The hope of the method used to provide solutions especially to farmers and traders in classifying or sorting coconut fruit to determine the quality of the meat with the help of digital image processing technology. By using 300 image datasets divided into 240 training images and 60 test images, which resulted in an accuracy rate of 97.91% on the training image and 96.66% on the test image. With a computation time of 0.31 seconds per image on the training image and 0.21 seconds per image on the test image. So that the results of the discussion in this study, the classification of coconut fruit using the Artificial Neural Network (JST) method by utilizing color features can run and produce results that can be classified as good.
Pengembangan Model Multilayer Classifier Menggunakan Metode Ensemble Learning untuk Grading Brokoli Imaduddin, Zaki; Purwanto, Yohanes Aris; Hartono Wijaya, Sony; Nidya Neyman, Shelvie
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 4: Agustus 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.124

Abstract

Permintaan brokoli di Indonesia terus meningkat 15% sampai dengan 20% per tahun. Sayangnya supply masih terbatas dan kualitas masih kurang. Untuk menentukan kualitas brokoli diperlukan adanya proses grading yaitu proses pemeringkat brokoli menjadi grade A, B dan C berdasarkan tiga parameter utama yaitu warna, ukuran, dan bentuk. Sayangnya, tidak semua petani memahami mengenai proses grading tersebut. Hal ini menyebabkan kerugian pada petani dan pengusaha brokoli. Penelitian ini bertujuan untuk mengembangkan algoritma grading menggunakan Convolusional neural network (CNN) berdasarkan 2 buah citra yaitu citra kepala brokoli dari tampak atas dan tampak samping. Dataset pada penelitian ini sebesar 600 data. Teknik yang digunakan ialah modifikasi beberapa model deep learning yaitu ResNet50, EfficientNetB2, VGG16 pada bagian layer klasifikasinya, lalu dibandingkan dengan hasil akurasi dari masing-masing outputnya. Penelitian ini juga menggunakan metode ensemble learning dimana menggunakan kombinasi dari 3 fitur berbeda. Fitur warna, ukuran dan bentuk digabungkan pada proses training dan testing untuk melakukan klasifikasi grade brokoli. Pada fase testing digunakan teknik voting untuk pengambilan keputusan grading. Akurasi terbaik ada pada model ResNet50 dengan hasil klasifikasi brokoli sebesar 90% yang didapatkan melalui penggunaan 5 dense layer pada layer klasifikasi, sehingga mampu melebihi hasil akurasi dari beberapa model deep learning lainnya. Algoritma dari penelitian ini menawarkan solusi grading yang lebih objektif dan konsisten dibandingkan sistem manual, sehingga petani dan pengusaha brokoli dalam meningkatkan efisiensi, mengurangi kerugian, dan memastikan kualitas produk yang lebih baik bagi konsumen.   Abstract The demand for broccoli in Indonesia has been increasing by 15% to 20% annually. However, supply remains limited, and quality control is inadequate. To assess broccoli quality, a grading process is required, classifying broccoli into Grades A, B, and C based on three primary parameters: color, size, and shape. Unfortunately, not all farmers possess sufficient knowledge of this grading process, leading to financial losses for both farmers and broccoli businesses. This study aims to develop a grading algorithm using a Convolutional Neural Network (CNN) based on two images, namely a top-view and a side-view image of a broccoli head. The dataset comprises 600 samples. The methodology involves modifying the classification layers of several deep learning models, namely ResNet50, EfficientNetB2, and VGG16, and comparing their classification accuracy. Additionally, an ensemble learning approach is employed, integrating three distinct features—color, size, and shape—into the training and testing phases for broccoli grading. The voting technique is utilized in the testing phase to enhance decision-making in the grading process. Experimental results indicate that the ResNet50 model achieves the highest classification accuracy at 90%, attributed to the incorporation of five dense layers in the classification stage. This performance surpasses that of other deep learning models. The proposed algorithm provides a more objective and consistent grading system compared to manual methods, enabling farmers and broccoli enterprises to enhance efficiency, reduce financial losses, and ensure higher product quality for consumers.  
Implementasi Load Balancing pada Google Cloud Platform Untuk Membangun Online Learning Sjaiful Alim, Endy; Rizkiawan, M. Asep; Subagyo, Ahmad
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 4: Agustus 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.124

Abstract

Dalam era digital, institusi pendidikan menghadapi tantangan dalam menyediakan sistem pembelajaran daring yang andal, skalabel, dan responsif terhadap lonjakan pengguna. Salah satu permasalahan utama yang sering terjadi adalah bottleneck pada server web dan database, yang dapat menyebabkan penurunan performa saat jumlah pengguna meningkat secara signifikan. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut dengan mengimplementasikan load balancing pada Google Cloud Platform (GCP) guna membangun platform pembelajaran daring berbasis Moodle yang optimal. Metode yang digunakan dalam penelitian ini mencakup perancangan dan implementasi infrastruktur berbasis layanan GCP, termasuk Compute Engine untuk hosting server web, Cloud SQL sebagai database terkelola, Cloud Memorystore Redis untuk caching guna mengurangi beban query pada database, serta Cloud Filestore untuk penyimpanan data. HTTPS Load Balancer digunakan untuk mendistribusikan lalu lintas pengguna secara merata ke beberapa instance server, sementara autoscaler diaktifkan untuk menyesuaikan kapasitas sumber daya secara dinamis sesuai kebutuhan pengguna. Hasil pengujian menunjukkan bahwa bottleneck utama pada sistem e-learning terjadi pada beban tinggi di database dan server web, yang dapat diatasi dengan caching dan load balancing. Implementasi ini memungkinkan sistem menangani lonjakan lalu lintas hingga 5.000 pengguna simultan. dengan penggunaan moodle data base mencapai 80,28 %, penggunaan autoscaling mencapai level 1,916. Utilisasi mulai menurun dan menunjukkan stabilisasi mendekati nilai 1. Stabilitas ini mengindikasikan bahwa autoscaler berhasil menyesuaikan jumlah instance dengan kebutuhan beban kerja, menjaga performa optimal aplikasi. Dengan demikian, penggunaan load balancing pada GCP terbukti meningkatkan keandalan, skalabilitas, dan efisiensi platform pembelajaran daring, serta memberikan panduan praktis bagi institusi pendidikan dalam mengadopsi teknologi cloud untuk mendukung kegiatan belajar-mengajar secara daring.   Abstract In the digital era, educational institutions face the challenge of providing a reliable, scalable and responsive online learning system to the surge of users. One of the main problems that often occurs is bottleneck on the web server and database, which can cause performance degradation when the number of users increases significantly. This research aims to overcome this problem by implementing load balancing on Google Cloud Platform (GCP) to build an optimal Moodle-based online learning platform. The method used in this research includes the design and implementation of GCP service-based infrastructure, including Compute Engine for web server hosting, Cloud SQL as a managed database, Cloud Memorystore Redis for caching to reduce query load on the database, and Cloud Filestore for data storage. HTTPS Load Balancer is used to distribute user traffic evenly across multiple server instances, while autoscaler is enabled to dynamically adjust resource capacity according to user needs. The test results show that the main bottleneck in the e-learning system occurs at high loads on the database and web server, which can be addressed by caching and load balancing. This implementation allows the system to handle traffic spikes of up to 5,000 simultaneous users. with moodle data base utilization reaching 80.28%, autoscaling utilization reaching a level of 1.916. This stability indicates that the autoscaler successfully adjusts the number of instances to the needs of the workload, maintaining optimal application performance. Thus, the use of load balancing on GCP is proven to improve the reliability, scalability, and efficiency of the online learning platform, and provides practical guidance for educational institutions in adopting cloud technology to support online teaching and learning activities.
Perbandingan Complexity Invariant Distance (CID) dan Dynamic Time Warping (DTW) dalam Analisis Klaster Deret Waktu pada Nilai Tukar Petani di Indonesia Fathiyaturrahmi, Laila; Andriano; Almiatus Soleha, Harista; Dwi Prastyo, Dedy
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 4: Agustus 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.124

Abstract

Analisis klaster yang merupakan bagian dari data mining yang membagi data kedalam beberapa kelompok berdasarkan kedekatan karakteristik tertentu. Konsep utama dalam klaster adalah memaksimalkan kedekatan data di dalam klaster dan meminimalkan kesamaan data antar klaster. Analisis klaster juga bisa digunakan pada berbagai jenis data termasuk data deret waktu.  Pengukuran kesamaan menjadi hal yang utama pada analisis klaster. Metode yang bisa digunakan dalam pengukuran jarak yaitu Complexity Invariant Distance (CID) dan Dynamic Time Warping (DTW). Analisis pengukuran jarak CID dan DTW dapat digunakan pada pengelompokkan data deret waktu salah satunya pada data Nilai Tukar Petani (NTP). NTP dapat menggambarkan daya beli petani karena diperoleh dari perbandingan indeks harga yang diterima petani dibandingkan dengan yang harus dibayarnya, atau dapat dinyatakan sebagai kemampuan petani dalam memnuhi kebutuhan sehari-hari dari hasil pertanian. Sehingga dilakukan analisis untuk membandingkan metode pengukuran jarak CID dan DTW pada klastering data deret waktu pada nilai tukar petani pada 34 Provinsi di Indonesia. Hasil analisis yang diakukan menunjukkan klaster terbaik adalah pengklasteran dengan banyak klaster dua (k=2) menggunakan ukuran jarak CID terlihat dari nilai silhouette 0.8776 yang lebih tinggi dibandingkan klaster lain. Dimana klaster satu terdiri dari 25 Provinsi dan klaster dua terdiri dari 9 Provinsi.   Abstract Cluster analysis is a part of data mining which divides data into several groups based on the proximity of certain characteristics. The main concept in clusters is to maximize data similarity within clusters and minimize data similarity between clusters. Cluster analysis can also be used on various types of data, including time series data. Measuring similarity is the main thing in cluster analysis. The methods that can be used to measure distance are Complexity Invariant Distance (CID) and Dynamic Time Warping (DTW). CID and DTW distance measurement analysis can be used to group time series data, one of which is Farmer’s Terms of Trade (NTP) data. The farmer's terms of trade is a ratio between the price index received by farmers and the price index paid by farmers. In general, it can be interpreted as the farmer's ability to meet their daily needs through agricultural products. So an analysis was carried out to compare the CID and DTW distance measurement methods in clustering time series data on farmer’s terms of trade according to 34 provinces in Indonesia. The results of this analysis show that the best cluster is clustering with two clusters (k=2) using the CID distance measure because it has the highest silhouette coefficient value, namely 0.8776. Where cluster one consists of 25 provinces and cluster two consists of 9 provinces.
Pengembangan Aplikasi Rekomendasi Berbasis Mobile Pada Destinasi Wisata Di Sekitar Danau Toba Menggunakan Metode Moora Dengan Pembobotan ROC Chandra, Rudy; Pasaribu, Monalisa; Arifin Prasetyo, Tegar; Henry Agus Panjaitan, Goklas; Emy Sonia Sinambela; Suandika Napitupulu; Anastasia Marsada Uli Simamora
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 4: Agustus 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.124

Abstract

Danau Toba merupakan destinasi wisata unggulan di Sumatera Utara yang memiliki potensi wisata alam, wisata buatan, dan budaya Batak. Namun, wisatawan seringkali membutuhkan rekomendasi wisata yang sesuai dengan kriteria keinginan mereka. Untuk mengatasi masalah ini, aplikasi rekomendasi destinasi wisata di sekitar Danau Toba dikembangkan menggunakan metode Multi-Objective Optimization on the basis of Ratio Analysis (MOORA) dengan pembobotan Rank Order Centroid (ROC). Aplikasi rekomendasi wisata dirancang untuk mempermudah para wisatawan untuk mencari destinasi wisata yang menarik sesuai keinginannya. Aplikasi akan memberikan rekomendasi wisata yang optimal berdasarkan kriteria yang telah ditentukan, yaitu jenis wisata, wilayah, rating, harga tiket, hari operasional, dan jam operasional. Jumlah data pada aplikasi rekomendasi wisata menggunakan 123 objek wisata. Hasil aplikasi yang dibangun berupa pengembangan aplikasi rekomendasi wisata berbasis mobile dengan menggunakan API, PHP dan teknologi multi-platform yaitu Flutter. Pengujian aplikasi melibatkan beberapa pengujian, termasuk system testing, user testing, dan pengujian akurasi pengelolaan data. Hasil system testing menunjukkan bahwa aplikasi beroperasi dengan stabil tanpa error dan semua fungsi berjalan sesuai yang diharapkan. User testing dilakukan dengan menyebarkan kuesioner kepada 625 responden yang telah menggunakan aplikasi tersebut, terdiri dari masyarakat domisili Sumatera Utara sebanyak 144 orang (69,2%) dan luar Sumatera Utara sebanyak 65 orang (30,8%). Sebanyak 94,2% responden menyatakan bahwa aplikasi mudah digunakan, 94,1% merasa fungsi rekomendasi sesuai dengan kebutuhan, 83,2% menganggap desain tampilan menarik, 95,5% menyatakan informasi pada setiap destinasi wisata sudah jelas, 94,7% pengguna dari luar dan dalam Sumatera Utara dapat memahami alur aplikasi, dan 94,4% berencana menggunakan aplikasi ini sebagai panduan untuk mengunjungi destinasi wisata di Sumatera Utara. Hasil pengujian akurasi pengelolaan data menunjukkan kecocokan yang tinggi antara hasil perhitungan manual dan implementasi sistem dalam menambah, mengubah, dan menghapus data wisata. Aplikasi rekomendasi ini memiliki keunggulan yang mampu menekankan wisata disekitar Danau Toba sehingga potensi dan kearifan lokalnya dapat terlihat lebih menarik bagi pengunjung baru.   Abstract Lake Toba is a premier tourist destination in North Sumatra, renowned for its natural beauty, artificial attractions, and rich Batak culture. However, tourists often seek recommendations that align with their preferences. To address this need, a tourist destination recommendation application for the Lake Toba area has been developed using the Multi-Objective Optimization based on the Ratio Analysis (MOORA) method, incorporating Rank Order Centroid (ROC) weighting. This application aims to simplify the process for tourists to find appealing destinations based on their criteria. It provides optimal recommendations according to various factors, including type of tourism, region, ratings, ticket prices, operational days, and hours. The application features data on 123 tourist attractions. The resulting application is a mobile-based platform developed using API, PHP, and cross-platform technology, specifically Flutter. Thorough testing has been conducted, including system testing, user testing, and data management accuracy testing. The system testing revealed that the application operates smoothly without errors and that all functionalities perform as intended. User testing involved distributing questionnaires to 625 respondents who had used the application, comprising 144 individuals from North Sumatra (69.2%) and 65 from outside the region (30.8%). The feedback was overwhelmingly positive, with 94.2% of respondents finding the application easy to use, 94.1% satisfied that the recommendations met their needs, 83.2% deeming the design attractive, and 95.5% confirming that the information about each tourist destination was clear. Furthermore, 94.7% of users, both from within and outside North Sumatra, reported understanding the application flow, and 94.4% expressed their intention to use the app as a guide for visiting tourist sites in North Sumatra. The data management accuracy test indicated a strong correlation between manual calculations and the application's data handling capabilities for adding, modifying, and deleting tourism data. This recommendation application highlights tourism around Lake Toba, making its potential and local wisdom more appealing to new visitors.
Pengembangan Sistem Pemantauan Dan Pengendalian Daya Listrik Penyewa Kos Berbasis Lora Dengan Integrasi Android Putri, Khomala Ernia; Yenniwarti Rafsyam; Benny Nixon; Putri, Khomala; Molliyana Tota Angelica; Rifqi Fuadi Hasani; Shita Fitria Nurjihan; Irwan Prasetya
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 4: Agustus 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.124

Abstract

Pengelolaan daya listrik di kamar kos sering kali menimbulkan ketidakadilan karena biaya listrik disamaratakan, meski pemakaian berbeda. Untuk mengatasi masalah ini, dirancang sebuah sistem pemantauan daya listrik dengan teknologi LoRa. Sistem ini memanfaatkan mikrokontroler ESP32, sensor PZEM-004T, LoRa, dan Arduino IDE. Data penggunaan daya listrik yang dikumpulkan oleh sensor dikirim ke pemilik kos melalui jaringan LoRa. Data penggunaan daya listrik dikirim melalui jaringan LoRa hingga 150 meter (RSSI -107 dBm) dalam kondisi NON-LOS dan 600 meter (RSSI -111 dBm) dalam kondisi LOS, kemudian diintegrasikan ke aplikasi Android untuk pengelolaan dan pemantauan daya listrik. Hasil pengujian menunjukkan akurasi 99%, menjadikan sistem ini solusi efektif dan efisien untuk pengelolaan daya listrik di kamar kos.   Abstract Electricity management in boarding rooms is often unfair because electricity costs are shared equally, even though each room uses different amounts of electricity. To address this issue, an electricity monitoring system was developed using LoRa technology. The system uses an ESP32 microcontroller, a PZEM-004T sensor, LoRa, and Arduino IDE. The sensor collects electricity usage data and sends it to the landlord via the LoRa network. This data can be transmitted up to 150 meters (RSSI -107 dBm) in NON-LOS conditions and 600 meters (RSSI -111 dBm) in LOS conditions. The system is also integrated with an Android application for easier management and monitoring. Testing results show an accuracy of 99%, making this system an effective and efficient solution for managing electricity in boarding rooms.

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