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
Clustering Stok Material Di Pdam Kota Makassar Wilayah Pelayanan Vi Menggunakan Algoritma K-Means Zain, Satria Gunawan; Tahir, Renisa Amalia; Risal, Andi Akram Nur
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

Perusahaan Daerah Air Minum (PDAM) Kota Makassar Wilayah Pelayanan VI mengalami kesulitan dalam memanajemen stok materialnya terutama dalam hal pengelompokan material berdasarkan rendah atau tingginya penggunaan material. Hal tersebut mengakibatkan seringnya terjadi kekurangan dan kelebihan stok yang dapat menghambat kegiatan dan meningkatkan biaya operasional di PDAM. Oleh karena itu, diterapkan metode clustering menggunakan algoritma k-means untuk mengelompokkan jenis material berdasarkan tingkat penggunaannya. Penelitian ini bertujuan membantu PDAM dalam mengelola stok material dengan lebih baik dengan mengidentifikasi tingkat kebutuhan berdasarkan pola penggunaan sebelumnya. Penelitian ini meliputi tahap identifikasi masalah, pengumpulan data, preprocessing data mencakup data selection, data reduction dan data integration, data transformation, dan standarisasi data, penerapan algoritma clustering, evaluasi hasil clustering, dan visualisasi hasil clustering. Hasil clustering menunjukkan bahwa jumlah cluster optimal yang diperoleh adalah 2, yaitu Cluster_0 (penggunaan rendah) dengan 123 jenis material dan Cluster_1 (penggunaan tinggi) dengan 2 jenis material. Kualitas cluster berdasarkan nilai silhouette menunjukkan hasil yang cukup baik dimana Cluster_0 sebesar 0.939 dan Cluster_1 sebesar 0.816, dan nilai silhouette score yaitu 0.937. Hasil clustering sebagai rekomendasi dalam menentukan kebutuhan stok material di masa depan sehingga dapat meningkatkan efisiensi pengelolaan stok material di PDAM Kota Makassar Wilayah Pelayanan VI.   Abstract Regional Drinking Water Company (PDAM) Makassar City Service Region VI has difficulty managing its material stock, especially in grouping materials based on low or high material usage. This results in frequent shortages and excess stock, which can hamper activities and increase operational costs at the PDAM. Therefore, a clustering method using the k-means algorithm is applied to group material types based on their level of use. This research aims to assist the PDAM in managing material stocks better by identifying the level of need based on previous usage patterns. This research includes problem identification, data collection, data preprocessing, data selection, data reduction and integration, data transformation, data standardization, the application of clustering algorithms, evaluation of clustering results, and visualization of clustering results. The clustering results show that the optimal number of clusters obtained is 2, namely Cluster_0 (low usage) with 123 types of materials and Cluster_1 (high usage) with two types of materials. Cluster Quality Based on the silhouette value shows quite good results where Cluster_0 is 0.939, Cluster_1 is 0.816, and the silhouette score is 0.937. The clustering results are a recommendation for determining future material stock needs to improve the efficiency of material stock management at PDAM Makassar City Service Area VI.
Prediksi Resiko Kematian Penderita Gagal Ginjal KronisDengan Voting Classifier Dan Random Forest Pada Data Tidak Seimbang Amaliana, Luthfatul; Ani Budi Astuti; Rossanda Sevia Gadis; Naurah Atikah Rabbani; Nabila Ayunda Sovia
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

Gagal ginjal kronis merupakan salah satu penyakit serius yang dapat menyebabkan kematian jika tidak terdeteksi dan ditangani secara dini. Penelitian ini bertujuan memprediksi risiko kematian pada pasien gagal ginjal kronis menggunakan metode ensemble learning, yaitu random forest dan voting classifier (hard voting dan soft voting). Voting classifier digunakan untuk menggabungkan prediksi dari beberapa model klasifikasi tunggal, di mana hard voting mengambil keputusan berdasarkan suara terbanyak, sedangkan soft voting mempertimbangkan rata-rata probabilitas prediksi. Data yang digunakan pada penelitian ini merupakan data sekunder dari RSUD Dr. Saiful Anwar, Kota Malang. Proporsi pasien rawat inap yang pulang dalam kondisi meninggal lebih kecil dibanding kondisi tidak meninggal. Kondisi data tidak seimbang ini menyebabkan model cenderung bias terhadap kelas mayoritas. Untuk mengatasi hal tersebut, synthetic minority over-sampling technique (SMOTE) diterapkan guna menyeimbangkan distribusi kelas. Selain itu, random forest dipilih karena kemampuannya dalam menangani ketidakimbangan data melalui pembobotan pada pohon-pohon keputusan, sehingga mengurangi bias terhadap kelas mayoritas. Evaluasi performa model dilakukan menggunakan metrik akurasi, presisi, dan recall. Hasil evaluasi menunjukkan bahwa random forest memberikan kinerja terbaik dengan akurasi 77%, presisi 36%, dan recall 60%, mengungguli hard voting dan soft voting. Penggunaan random forest dan SMOTE terbukti meningkatkan prediksi pada kelas minoritas, yang sangat penting dalam mendeteksi pasien berisiko kematian tinggi. Pendekatan ini dapat membantu dalam deteksi dini dan pengelolaan yang lebih baik terhadap pasien gagal ginjal kronis, sehingga berpotensi menurunkan angka kematian akibat penyakit ini.   Abstract Chronic kidney disease (CKD) is a life-threatening condition that can lead to fatal outcomes if not diagnosed and treated promptly. This study aims to forecast mortality risk in CKD patients using ensemble learning techniques, including random forest an d voting classifier (hard voting and soft voting). The voting classifier combines predictions from various single classification models, with hard voting selecting outcomes based on majority decisions, while soft voting averages prediction probabilities. The data used in this study is secondary data from RSUD Dr. Saiful Anwar, Malang City. The proportion of hospitalized patients who were discharged in a deceased condition is smaller than those who were discharged alive. This imbalance in the data causes the model to be biased toward the majority class. However, models tend to favor the majority class when dealing with imbalanced data. To mitigate this, the synthetic minority over-sampling technique (SMOTE) was applied to balance the class distribution. Random forest was also selected for its ability to manage data imbalance through weighted decision trees, reducing bias toward the majority class. Model performance was evaluated using metrics such as accuracy, precision, and recall. Results indicated that random forest outperformed hard voting and soft voting, achieving 77% accuracy, 36% precision, and 60% recall. The combination of random forest and SMOTE significantly enhanced the prediction of minority class outcomes, which is essential for identifying high-risk patients. This method has the potential to support early detection and improved management of CKD patients, thus reducing mortality rates associated with the disease.
Analisis Sentimen Berbasis Aspek Pada Aplikasi Elektronik Survei Kepuasan Masyarakat (E-SKM) Jawa Tengah Menggunakan Indobert Labib Mustofa, Refo; Labib Mustofa, Tarno; Edi Widodo, Catur
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

Perkembangan tentang Natural Language Processing (NLP) semakin berkembang dengan pesat, salah satunya yaitu dalam bidang analisis sentimen. Dalam dunia bisnis, analisis sentimen sangat diperlukan untuk mengetahui dan memahami persepsi pelanggan terhadap produk yang telah didapatkan dari perusahaan. Hal yang sama juga berlaku pada sektor pemerintahan. Pemerintah sebagai penyelenggara pelayanan publik harus dapat mengetahui persepsi dari pengguna layanan terhadap penyelenggaraan pelayanan publik tersebut sebagai bahan perbaikan kualitas layanan. Aplikasi E-SKM merupakan aplikasi milik Pemerintah Provinsi Jawa Tengah yang saat ini hanya mengolah nilai survei layanan meliputi sembilan aspek pertanyaan, sedangkan data saran/masukan pada aplikasi ini belum dimanfaatkan lebih lanjut. Pada penelitian ini, dilakukan analisis sentimen pada data saran/masukan tersebut untuk menggali informasi tambahan yang dapat meningkatkan pemahaman pemerintah terhadap kepuasan pengguna layanan. Metode yang diusulkan yaitu menggunakan pendekatan analisis sentimen berbasis aspek menggunakan model IndoBERT. Pendekatan berbasis aspek ditujukan agar dapat diketahui aspek apa saja yang paling banyak dibicarakan oleh pengguna layanan, terutama yang berhubungan dengan sembilan aspek pertanyaan tersebut. Pada penelitian ini juga digunakan kamus leksikon sebagai pelabelan data, kemudian pendekatan berbasis aturan (rule-based) digunakan dalam proses klasifikasi aspek yang berkaitan dengan sembilan aspek pertanyaan. Selain itu, penelitian ini bertujuan untuk mengukur kemampuan model IndoBERT dalam proses klasifikasi sentimen dengan beberapa skenario yang berbeda. Dari hasil analisis, model evaluasi IndoBERT berjalan dengan baik. Hal ini dilihat dari nilai rata-rata parameter evaluasi seperti akurasi, precision, recall, dan f1-score mencapai 95%. Penerapan model ini memiliki kontribusi pada data aplikasi E-SKM untuk mendapatkan informasi sentimen dan aspek pada data pelayanan publik di pemerintahan yang dapat digunakan sebagai bahan pengambilan keputusan pada level manajemen kebijakan.   Abstract The field of Natural Language Processing (NLP) is rapidly advancing, particularly in sentiment analysis. In the business world, sentiment analysis is essential for understanding customer perceptions of products they have received from a company. The same applies to the government sector, where it is crucial for public service providers to gain insight into user perceptions of public services as a basis for service improvement. The E-SKM application, owned by the Central Java provincial government, currently processes only service survey scores covering nine question aspects, while suggestions/feedback data from this application have not yet been fully utilized. In this study, sentiment analysis was conducted on the suggestion/feedback data to extract additional insights that could improve understanding of user satisfaction. The proposed method involves an aspect-based sentiment analysis approach using the IndoBERT model. This aspect-based approach aims to identify the aspects most frequently mentioned by service users, particularly those related to the nine survey aspects. A lexicon-based approach was used for data labeling, followed by a rule-based approach for classifying aspects associated with the nine questions. Additionally, this study aims to assess the performance of the IndoBERT model in sentiment classification across several scenarios. Evaluation results indicate that IndoBERT performs well, with average metrics such as accuracy, precision, recall, and F1-score reaching 95%. The implementation of this model contributes to the E-SKM application data by providing sentiment and aspect information on public service data within the government, which can be used as a basis for decision-making at the policy management level.
Analisis Sentimen Terhadap Pendapat Masyarakat Mengenai Pilkada 2024 Menggunakan Metode Support Vector Machine Bayu Satriawan, Eka; Satriawan, Eka Bayu; Wijoyo, Satrio Hadi; Ratnawati, Dian Eka
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

Pemilihan Kepada Daerah dan Wakil Kepala Daerah, atau yang lebih dikenal sebagai Pilkada, merupakan pemilihan umum di Indonesia yang dilakukan secara langsung oleh masyarakat yang telah memenuhi ketentuan peraturan perundang-undangan. Twitter/X sebagai platform media sosial yang penting dalam komunikasi digital di Indonesia, menjadi tempat bagi masyarakat untuk menyuarakan pendapat mereka, termasuk pendapat mengenai pilkada. Tujuan penelitian ini adalah menganalisis sentimen masyarakat terhadap Pilkada melalui data yang dikumpulkan dari Twitter/X, serta memberikan wawasan berharga bagi pembuat kebijakan dan pemangku kepentingan dalam merespons aspirasi masyarakat. Analisis sentimen ini diharapkan dapat membantu memahami persepsi publik serta meningkatkan partisipasi dan kepercayaan masyarakat terhadap proses demokrasi. Penelitian ini dimulai dengan pengumpulan data dari Twitter/X. Proses berikutnya melibatkan enam tahap pre-processing, seperti case folding, pembersihan data, tokenizing, slang normalization, stemming, dan filtering. Metode klasifikasi menggunakan Support Vector Machine (SVM) dan pembobotan kata menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) dengan menerapkan teknik oversampling dengan SMOTE untuk menyeimbangkan data. Hasil pengujian SVM berhasil mendapatkan performa tinggi dengan tingkat akurasi sekitar 93,09%, precision sekitar 93,13%, recall sekitar 93,09%, dan f1-score sekitar 93,08%. Analisis menggunakan Root Cause Analysis (RCA) terhadap empat aspek utama: kandidat, kebijakan dan regulasi, proses Pilkada, serta partai politik. Hasil analisis mengungkapkan sumber ketidakpuasan masyarakat terkait Pilkada, termasuk kekhawatiran akan kurangnya pengalaman kandidat, perubahan undang-undang yang dianggap tidak transparan, kelemahan dalam verifikasi identitas pemilih selama proses Pilkada, serta tuntutan untuk peningkatan komunikasi dan kinerja partai politik.   Abstract The election of Regional Heads and Deputy Regional Heads, commonly known as Pilkada, is a general election in Indonesia conducted directly by citizens who meet the legal requirements. Twitter/X, as a prominent social media platform in Indonesia's digital communication landscape, serves as a platform for the public to express their opinions, including those about Pilkada. The aim of this study is to analyze public sentiment towards Pilkada using data collected from Twitter/X to provide valuable insights for policymakers and stakeholders in responding to public aspirations. This sentiment analysis is expected to help understand public perceptions and enhance participation and trust in the democratic process. The research begins with data collection from Twitter/X, followed by six pre-processing stages: case folding, data cleaning, tokenizing, slang normalization, stemming, and filtering. The classification method utilizes Support Vector Machine (SVM) and word weighting through Term Frequency-Inverse Document Frequency (TF-IDF), with oversampling techniques using SMOTE to balance the data. The SVM testing results achieved high performance with an accuracy rate of approximately 93,09%, precision of 93,13%, recall of 93,09%, and an f1-score of 93,08%. An analysis using Root Cause Analysis (RCA) was conducted on four key aspects: candidates, policies and regulations, the Pilkada process, and political parties. The analysis revealed sources of public dissatisfaction related to Pilkada, including concerns over candidates' lack of experience, perceived opacity in legislative changes, weaknesses in voter identity verification during the Pilkada process, and demands for improved communication and performance from political parties.  
Analisis Perbandingan Model Machine Learning Tree-Based dan Non-Tree-Based untuk Tugas Klasifikasi Hilmi, Fadhilah; Taqiyassar, Kenzie; Pratama, Naufal Romero Putra; Kusuma, Satrio Condro; Nurwachid, Hafiz Rizky; Fatyanosa, Tirana Noor
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

Penelitian ini membahas perbandingan performa model machine learning berbasis pohon keputusan (Tree-Based) dan non-pohon keputusan (Non-Tree-Based) dalam tugas klasifikasi. Model Tree-based yang diuji meliputi LightGBM, CatBoost, XGBoost, dan Random Forest, sedangkan model Non-tree-based meliputi SVM, KNN, dan GaussianNB. Evaluasi dilakukan pada tiga dataset berbeda, yaitu Spaceship Titanic, Horse Health, dan Keep It Dry. Metrik yang digunakan untuk mengevaluasi performa model adalah AUC-ROC, akurasi, dan F1-score Micro. Hasil penelitian menunjukkan bahwa model berbasis pohon keputusan seperti CatBoost dan LightGBM umumnya memberikan performa yang lebih baik dibandingkan dengan model non-pohon keputusan. CatBoost khususnya menunjukkan hasil terbaik dalam hal akurasi, AUC-ROC, dan F1-score Micro di sebagian besar dataset yang diuji. Selain itu, penelitian ini juga menyoroti pentingnya pemilihan model yang tepat berdasarkan karakteristik dataset yang digunakan. Faktor-faktor seperti kompleksitas data, jumlah fitur, dan distribusi kelas sangat mempengaruhi hasil akhir dari setiap model yang diterapkan. Dengan demikian, temuan ini dapat membantu praktisi machine learning dalam memilih model yang paling sesuai untuk tugas klasifikasi tertentu.   Abstract This study discusses the performance comparison of tree-based and non-tree-based machine learning models for classification tasks. The Tree-based models tested include LightGBM, CatBoost, XGBoost, and Random Forest, while the Non-tree-based models include SVM, KNN, and GaussianNB. The evaluation was conducted on three different datasets, namely Spaceship Titanic, Horse Health, and Keep It Dry. The metrics used to evaluate model performance are AUC-ROC, accuracy, and F1-score Micro. The results show that tree-based models such as CatBoost and LightGBM generally provide better performance compared to non-tree-based models. CatBoost, in particular, showed the best results in terms of accuracy, AUC-ROC, and F1-score Micro in most of the datasets tested. Additionally, this study highlights the importance of selecting the appropriate model based on the characteristics of the datasets used. Factors such as data complexity, number of features, and class distribution significantly affect the final results of each applied model. Thus, these findings can assist machine learning practitioners in choosing the most suitable model for specific classification tasks.
Implementasi Time-Based One-Time Password Menggunakan Algoritma Photon Untuk Autentikasi Dua Faktor Yahya, Amry; Kusyanti, Ari; Trisnawan, Primantara Hari
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

Di era digital yang makin maju, perlindungan terhadap data sensitif menjadi sangat penting. Two-factor Authentication (2FA) atau autentikasi dua faktor adalah metode keamanan yang efektif untuk memastikan bahwa hanya pengguna sah yang dapat mengakses data atau sistem sensitif dengan mengharuskan pengguna untuk memberikan dua bentuk identifikasi yang berbeda. Salah satu metode 2FA yang banyak digunakan adalah Time-based One-Time Password (TOTP) yang menggunakan algoritma Hash-based Message Authentication (HMAC) dengan fungsi hash SHA-1. Namun, fungsi SHA-1 diketahui memiliki kelemahan keamanan. Penelitian ini bertujuan untuk meningkatkan keamanan TOTP dengan mengimplementasikan fungsi hash PHOTON, algoritma hash ringan yang dirancang dengan keamanan yang baik dan penggunaan sumber daya komputasi yang efisien. Metodologi penelitian ini melibatkan pengembangan dan pengujian sistem autentikasi dua faktor berbasis TOTP dengan algoritma HMAC yang menggunakan fungsi hash PHOTON. Hasil penelitian menunjukkan bahwa sistem mampu bertahan dari brute-force attack dan birthday attack. Selain itu, fungsi TOTP yang menerapkan PHOTON memiliki waktu eksekusi yang lebih cepat dari SHA-1 dan SHA-2.   Abstract In the increasingly advanced digital era, protection of sensitive data is very important. Two-factor Authentication (2FA) is an effective security method to ensure that only authorized users can access sensitive data or systems by requiring users to provide two different forms of identification. One of the widely used 2FA methods is Time-based One-Time Password (TOTP) which uses the Hash-based Message Authentication (HMAC) algorithm with the SHA-1 hash function. However, the SHA-1 function is known to have security weaknesses. This study aims to improve the security of TOTP by implementing the PHOTON hash function, a lightweight hash algorithm designed with good security and efficient use of computing resources. The research methodology involves the development and testing of a TOTP-based two-factor authentication system with the HMAC algorithm using the PHOTON hash function. The results of the study show that the system is able to withstand brute-force attacks and birthday attacks. In addition, the TOTP function implementing PHOTON has a faster execution time than SHA-1 and SHA-2.
Perbandingan ANN, Random Forest, dan XGBoost dalam Klasifikasi Antibiotik dengan Penerapan metode Sampling Saputra Rusdi, Edy; RUSDI, EDY SAPUTRA; Siddik, A. Muh. Amil; Aris, Naimah; Ardiansyah Asrifah, Muhammad; Syahrir, Nur Hilal A.; Rangkuti, Aidawayati; Rusdi, Wahyudi
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

Banyak obat potensial telah ditemukan dari produk alami laut (Marine Natural Product). Hal ini menunjukkan bahwa senyawa laut merupakan sumber penting dalam pengembangan dan penemuan obat. Meskipun banyak senyawa laut yang menunjukkan aktivitas biologis tertentu, hanya sedikit yang tercatat sebagai senyawa antibakteri. Oleh karena itu, menemukan senyawa yang berpotensi sebagai senyawa antibakteri dari organisme laut masih menjadi tantangan. Tujuan dari penelitian ini adalah untuk memanfaatkan pendekatan komputasi untuk menemukan senyawa antibakteri dari produk alami laut yang berpotensi menjadi obat. Penelitian ini berfokus pada penggunaan model Artificial Neural Network (ANN), Random Forest, dan XGBoost untuk melakukan klasifikasi berdasarkan kemiripan kimiawi antara senyawa produk alami laut di Indonesia dengan senyawa antibakteri. Untuk mengatasi ketidakseimbangan data, digunakan teknik resampling berupa SMOTE dan undersampling (US). Hasil penelitian menunjukkan bahwa akurasi XGBoost + SMOTE memiliki nilai yang paling tinggi, yaitu 98.89%, mengungguli model ANN 97.57%, Random Forest  (RF) 97.06%, serta model dengan resampling lain seperti ANN+SMOTE 98.67% dan RF + SMOTE 98.59%. Sementara itu, penerapan teknik undersampling menyebabkan penurunan akurasi secara signifikan, di mana XGBoost + US, RF + US, dan ANN + US masing-masing hanya mencapai 91.12%, 91.59%, dan 87.85%. Dari 73 senyawa biota laut, hanya senyawa yang memiliki CID 101767277 yang diprediksi sebagai senyawa yang potensial sebagai antibakteri.   Abstract Many potential drugs have been discovered from marine natural products. This suggests that marine compounds are essential in drug development and discovery. Although many marine compounds exhibit certain biological activities, only a few have been recorded as antibacterial compounds. Therefore, finding compounds with potential as antibacterial compounds from marine organisms remains a challenge. This paper aims to utilize computational approaches to discover antibacterial compounds from marine natural products that have the potential to become drugs. This research focuses on the use of Artificial Neural Network (ANN), Random Forest (RF), and XGBoost models to perform classification based on chemical similarity between compounds of marine natural products in Indonesia and antibacterial compounds. To overcome data imbalance, resampling techniques such as SMOTE and undersampling (US) were used. The results showed that the accuracy of XGBoost + SMOTE has the highest value, which is 98.89%, outperforming the ANN model 97.57%, Random Forest (RF) 97.06%, as well as models with other resampling such as ANN+SMOTE 98.67% and RF + SMOTE 98.59%. Meanwhile, the application of undersampling techniques caused a significant decrease in accuracy, where XGBoost + US, RF + US, and ANN + US only reached 91.12%, 91.59%, and 87.85%, respectively. Of the 73 marine biota compounds, only compounds that have CID 101767277 are predicted as potential antibacterial compounds.
Sistem Kerja Artificial Intelligence Software Aplikasi Clo 3d Pada Proses Pembuatan Produk Fashion Design Purnawirawan, Okta; Surya Darma Santoso, Muhdlor
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

Penggunaan teknologi berbasis artificial intelligence menjadi prioritas utama industri, karena tuntutan efektifitas produksi. Industri desain fashion berupaya mengefektifitaskan proses produksi desain berbasis digital menggunakan software aplikasi berbasis artificial intelligence. Software aplikasi CLO 3D merupakan salah satu software yang dapat memvisualisasikan desain fashion dalam bentuk virtual reality dengan menggunakan konsep kerja artificial intelligence. Penelitian ini merupakan jenis penelitian kualitatif studi kasus berfokus mendeskripsikan sistem kerja artificial intelligence pada prosedur pembuatan desain fashion menggunakan software aplikasi CLO 3D. Teknik pengumpulan data dengan wawancara dan observasi. Teknik pemilihan sampel menggunakan purposive sampling. Hasil penelitian bahwa prosedur pembuatan desain fashion menggunakan software aplikasi CLO 3D terdiri dari delapan tahap. Konsep kerja artificial intelligence terdapat pada tahap pertama dan delapan. Tahap pertama dapat membuat avatar berbasis virtual reality dengan menentukan spesifikasi ketentuan bentuk tubuh yang dinginkan. Tahap delapan membuat dan mengubah desain fashion dua dimensi menjadi tiga dimensi berdasarkan pola tubuh avatar yang sebelumnya sudah dibuat. Berdasarkan penelitian tersebut bahwa software aplikasi CLO 3D menerapkan konsep kerja artificial intelligence. Teknologi artificial intelligence pada software aplikasi CLO 3D dapat mempermudah dalam membuat desain fashion dalam bentuk virtual reality dan memberikan efektifitas waktu proses pembuatannya.   Abstract The use of artificial intelligence-based technology is a top priority for the industry, due to the demands of production effectiveness. The fashion design industry seeks to make the digital-based design production process effective using artificial intelligence-based application software. The CLO 3D application software is one of the software that can visualize fashion designs in virtual reality using the concept of artificial intelligence work. This research is a type of qualitative case study research focused on describing the artificial intelligence work system in the fashion design creation procedure using the CLO 3D application software. Data collection techniques with interviews and observations. The sample selection technique uses purposive sampling. The results of the study show that the fashion design creation procedure using the CLO 3D application software consists of eight stages. The concept of artificial intelligence work is in the first and eighth stages. The first stage can create a virtual reality-based avatar by determining the specifications of the desired body shape. The eighth stage creates and changes two-dimensional fashion designs into three dimensions based on the avatar body pattern that has been previously created. Based on this research, the CLO 3D application software applies the concept of artificial intelligence work. Artificial intelligence technology in the CLO 3D application software can make it easier to create fashion designs in virtual reality and provide effectiveness in the manufacturing process time.
Implementasi Robotic Process Automation Pada Proses Kompilasi Dokumen Nota Pemberitahuan Barang Larangan/Pembatasan (NPBL) Di Pt Merck Chemicals And Life Sciences Farhan, Muhammad Ariq; Sianturi, Riswan Septriayadi; Santoso, Nurudin
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

Ketepatan dan efisiensi dalam penanganan dokumen impor, khususnya pemenuhan persyaratan Nota Pemberitahuan Barang Larangan/Pembatasan (NPBL) sangat penting bagi kelancaran operasional perusahaan life sciences seperti PT Merck Chemicals and Life Sciences (MCLS) yang aktif dalam melakukan kegiatan ekspor dan impor. Proses kompilasi dokumen NPBL di PT MCLS yang selama ini dilakukan secara manual membutuhkan waktu 4 jam 11 menit dan rentan terhadap kesalahan yang dapat menyebabkan keluhan pelanggan akibat keterlambatan ketersediaan barang. Penelitian ini bertujuan untuk meningkatkan efisiensi dan akurasi proses tersebut melalui implementasi teknologi Robotic Process Automation (RPA). Metode penelitian meliputi evaluasi proses bisnis saat ini (as-is) melalui observasi dan wawancara, perancangan workflow RPA menggunakan UiPath Studio, perancangan antarmuka dengan UiPath Apps, dan penerapan teknologi Optical Character Recognition (OCR) Document Understanding dengan Microsoft AI Builder untuk meningkatkan akurasi pencarian dan pemilihan dokumen. Hasil pengujian menunjukkan bahwa sistem RPA mampu mengotomatisasi seluruh tahapan proses kompilasi dokumen NPBL dan menyelesaikannya dalam waktu 26 menit, mengefisiensikan waktu proses hingga 89.66%. Akurasi sistem mencapai 98% dalam pencarian dan pemilihan lisensi, 88.54% dalam penandaan produk, serta 92.81% dalam pengunduhan file Safety Data Sheets (SDS). Implementasi ini juga berhasil menghemat kapasitas kerja sebesar 0.466 FTE dan diterima dengan tingkat penerimaan pengguna sebesar 79%.   Abstract Precision and efficiency in managing importation documents,, particularly in fulfilling the requirements for Nota Pemberitahuan Barang Larangan/Pembatasan (NPBL) are essential to maintaining the operational continuity of life sciences companies like PT Merck Chemicals and Life Sciences (MCLS), which actively engange in export and import activities. The NPBL document compilation process at PT MCLS, which has been carried out manually, takes 4 hours and 11 minutes and is prone to error, potentially resulting in customer complaints due to delays in goods availability. This study aims to improve the efficiency and accuracy of this process throught the implementation of Robotic Process Automation (RPA). The research methodology includes in evaluating the current business process (as-is) through observation and interviews, designing RPA workflows using UiPath Studio, developing an interface with UiPath Apps, and applying OCR Document Understanding technology using Microsoft AI Builder to enhance the accuracy of document search and selection. The testing results show that the RPA system successfully automated all stages of the NPBL document compilation proccess, completing it in 26 minutes and reducing process time by 89.66%. The system achieved 98% accuracy in license search and selection, 88.54% in product tagging inside the document, and 92.81% in downloading Safety Data Sheets (SDS). Additionaly, the implementation of RPA saved 0.466 FTE in work capacity and was accepted by users with a satisfaction rate of 79%.
Analisis Pengaruh Media Pembelajaran Augmented Reality, Video, dan Slide Terhadap Hasil Belajar dan Daya Ingat Siswa Kelas X pada Mata Pelajaran Informatika di SMK Negeri 6 Malang Pujakesuma, Dicky; Pinandito, Aryo; Saputra, Mochamad Chandra
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

Penelitian ini berawal dari permasalahan adanya perbedaan signifikan dalam hasil belajar siswa di tiga kelas yang berbeda. Perbedaan ini dipengaruhi oleh keterbatasan akses ke laboratorium komputer, di mana kelas dengan fasilitas yang lebih baik mencapai nilai rata-rata yang lebih tinggi. Memori juga berperan penting dalam mempertahankan pemahaman, bahkan ketika digunakan kembali di masa mendatang. Teknologi Augmented Reality (AR) dianggap mampu mengatasi masalah ini dengan menciptakan pengalaman belajar yang lebih interaktif dan imersif. Penelitian ini melibatkan 96 siswa (N=96) dan membandingkan efektivitas media pembelajaran AR, video, dan slide dalam meningkatkan hasil belajar dan daya ingat siswa yang menggunakan metode eksperimen pre-test post-test control group design. Hasil belajar diukur pada tiga waktu yaitu pre-test, post-test, dan delayed-test satu minggu setelah perlakuan. Data dianalisis menggunakan uji Wilcoxon dan efektivitas media dianalisis menggunakan Cohen’s D. Hasil penelitian menunjukkan bahwa siswa yang menggunakan AR mengalami peningkatan yang lebih signifikan dalam hasil belajar, dengan ukuran efek sebesar 2.21 dibandingkan kelas video dan 2.24 dibandingkan kelas slide. Daya ingat siswa juga lebih baik di kelas AR, dengan ukuran efek sebesar -0.10, yang menunjukkan bahwa meskipun terjadi penurunan skor, AR memiliki pengaruh kuat dalam mempertahankan informasi. Kesimpulannya, AR lebih efektif dibandingkan media pembelajaran video dan slide. Media pembelajaran Augmented Reality (AR) lebih efektif dalam meningkatkan hasil belajar dan mempertahankan daya ingat siswa, karena menawarkan pengalaman belajar yang interaktif, imersif, dan mendalam melalui visualisasi yang kuat dan pembelajaran multisensori.   Abstract This study began with the problem of significant differences in student learning outcomes in three different classes. This difference is influenced by limited access to computer labs, where classes with better facilities achieve higher average scores. Memory also plays an important role in maintaining understanding, even when reused in the future. Augmented Reality (AR) technology is considered capable of overcoming this problem by creating a more interactive and immersive learning experience. This study involved 96 students (N=96) and compared the effectiveness of AR, video, and slide learning media in improving student learning outcomes and memory using the experimental method pre-test post-test control group design. The results after learning were measured at three times, namely pre-test, post-test, and Delayed-test one week of treatment. Data were analyzed using the Wilcoxon test and media effectiveness was analyzed using Cohen's D. The results showed that students who used AR experienced a more significant increase in learning outcomes, with an effect size of 2.21 compared to the video class and 2.24 compared to the slide class. Students’ retention was also better in the AR class, with an effect size of -0.10, indicating that despite the decrease in scores, AR had a strong influence in retaining information. In conclusion, AR is more effective than video and slide learning media. Augmented Reality (AR) learning media is more effective in improving learning outcomes and maintaining student retention, because it offers an interactive, immersive, and deep learning experience through strong visualization and multisensory learning.

Page 2 of 3 | Total Record : 25

 1   2   3 

Filter by Year

2025 2025


Reset
Filter By Issues
All Issue Vol 12 No 5: Oktober 2025 Vol 12 No 4: Agustus 2025 Vol 12 No 3: Juni 2025 Vol 12 No 2: April 2025 Vol 12 No 1: Februari 2025 Vol 11 No 6: Desember 2024 Vol 11 No 5: Oktober 2024 Vol 11 No 4: Agustus 2024 Vol 11 No 3: Juni 2024 Vol 11 No 2: April 2024 Vol 11 No 1: Februari 2024 Vol 10 No 6: Desember 2023 Vol 10 No 5: Oktober 2023 Vol 10 No 4: Agustus 2023 Vol 10 No 3: Juni 2023 Vol 10 No 2: April 2023 Vol 10 No 1: Februari 2023 Vol 9 No 7: Spesial Issue Seminar Nasional Teknologi dan Rekayasa Informasi (SENTRIN) 2022 Vol 9 No 6: Desember 2022 Vol 9 No 5: Oktober 2022 Vol 9 No 4: Agustus 2022 Vol 9 No 3: Juni 2022 Vol 9 No 2: April 2022 Vol 9 No 1: Februari 2022 Vol 8 No 6: Desember 2021 Vol 8 No 5: Oktober 2021 Vol 8 No 4: Agustus 2021 Vol 8 No 3: Juni 2021 Vol 8 No 2: April 2021 Vol 8 No 1: Februari 2021 Vol 7 No 6: Desember 2020 Vol 7 No 5: Oktober 2020 Vol 7 No 4: Agustus 2020 Vol 7 No 3: Juni 2020 Vol 7 No 2: April 2020 Vol 7 No 1: Februari 2020 Vol 6 No 6: Desember 2019 Vol 6 No 5: Oktober 2019 Vol 6 No 4: Agustus 2019 Vol 6 No 3: Juni 2019 Vol 6 No 2: April 2019 Vol 6 No 1: Februari 2019 Vol 5 No 6: Desember 2018 Vol 5 No 5: Oktober 2018 Vol 5 No 4: Agustus 2018 Vol 5 No 3: Juni 2018 Vol 5 No 2: April 2018 Vol 5 No 1: Februari 2018 Vol 4 No 4: Desember 2017 Vol 4 No 3: September 2017 Vol 4 No 2: Juni 2017 Vol 4 No 1: Maret 2017 Vol 3 No 4: Desember 2016 Vol 3 No 3: September 2016 Vol 3 No 2: Juni 2016 Vol 3 No 1: Maret 2016 Vol 2, No 2 (2015) Vol 2 No 2: Oktober 2015 Vol 2, No 1 (2015) Vol 2 No 1: April 2015 Vol 1, No 2 (2014) Vol 1 No 2: Oktober 2014 Vol 1, No 1 (2014) Vol 1 No 1: April 2014 More Issue