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 5: Oktober 2025" : 25 Documents clear
Pengembangan Konten Pembelajaran Matematika dengan Pendekatan Tematik pada Siswa ABK Tunagrahita Di SMKN 2 Malang Indah Rokhmawati, Retno; Safira, Nanda; Muslimah Az-Zahra, Hanifah
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 5: Oktober 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025125

Abstract

Penelitian ini bertujuan untuk mengembangkan materi pembelajaran matematika dengan pendekatan tematik khusus untuk siswa ABK tunagrahita di SMKN 2 Malang. Menindaklanjuti permasalahan pada hasil evaluasi penelitian sebelumnya yang telah dilakukanakni pengujian media pembelajaran matematika bernama SoulMath pada siswa ABK tunagrahita bahwa konten pembelajaran masih belum sepenuhnya sesuai dengan karakteristik dan tujuan pembelajaran siswa ABK tunagrahita. Metode penelitian yang digunakan adalah Research & Development (R&D), dengan menggunakan model ADDIE untuk perancangan dan evaluasi. Evaluasi fokus pada tingkat pemahaman dan minat belajar siswa. Penelitian dilakukan pada kelas X dan XI program keahlian perhotelan dengan partisipasi 13 siswa. Desain eksperimen yang digunakan adalah One Group Pretest-Postest, dengan analisis data meliputi analisis deskriptif dan uji paired sample t-test. Hasil uji normalitas menunjukkan bahwa data pre-test dan post-test memiliki distribusi normal, sehingga hipotesis H1 diterima, menunjukkan peningkatan pemahaman konsep matematika pada siswa ABK tunagrahita dengan penggunaan konten media pembelajaran. Selain itu, tingkat minat belajar siswa dinilai tinggi dengan nilai rata-rata 4,2 pada skala Likert, menunjukkan tingkat ketertarikan yang tinggi dalam pembelajaran. Keberhasilan media juga tercermin dari peningkatan rata-rata nilai pre-test sebesar 53,11 menjadi 83,88 pada post-test, dengan nilai signifikansi 0,000 yang menujukkan peningkatan signifikan. Hal ini membuktikan bahwa media pembelajaran yang dikembangkan tidak hanya menarik minat belajar siswa, tetapi juga efektif dalam meningkatkan pemahaman konsep matematika.   Abstract This study aims to develop mathematics learning materials with a special thematic approach for students with disabilities with disabilities at SMKN 2 Malang. Following up on the problems in the evaluation results of previous research that I have done, namely testing mathematics learning media called SoulMath on students with disabilities, that the learning content is still not fully in accordance with the characteristics and learning objectives of students with disabilities. The research method used is Research & Development (R&D), using the ADDIE model for design and evaluation. The evaluation focused on students' level of understanding and interest in learning. The research was conducted in classes X and XI of the hospitality skills program with the participation of 13 students. The experimental design used was One Group Pretest-Postest, with data analysis including descriptive analysis and paired sample t-test. The results of the normality test showed that the pre-test and post-test data had a normal distribution, so the H1 hypothesis was accepted, showing an increase in the understanding of mathematical concepts in students with disabilities with the use of learning media content. In addition, students’ learning interest was rated high, with an average score of 4,2 on the Likert scale, indicating a strong level of engagement in the learning process. The effectiveness of the media is also reflected in the increase of the average pre-test score from 53,11 to 83,88 in the post-test, with a significance value of 0.000, indicating a statistically significant improvement. These findings demonstrate that the developed learning media is not only engaging for students but also effective in enhancing their understanding of mathematical concepts.
Pengontrolan Lampu Lalu Lintas Menggunakan Teknologi Deteksi Kendaraan YOLOV4 Wahidin, Farhan Raihan; Witanti, Wina; Ramadhan, Edvin
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 5: Oktober 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025125

Abstract

Deteksi kendaraan adalah aspek kunci dalam pengontrolan lalu lintas yang efisien. Kemacetan lalu lintas bisa terjadi salah satunya akibat pengaturan durasi lampu lalu lintas yang tidak disesuaikan dengan volume kendaraan pada saat itu. Penelitian ini bertujuan mengembangkan sistem pengontorlan lampu lalu lintas adaptif yang menyesuaikan durasi lampu berdasarkan volume kendaraan yang terdeteksi menggunakan YOLOv4, yang dapat mengatasi kekurangan pada sistem pengontrolan lalu lintas konvensional dan mengurangi kemacetan serta meningkatkan efisiensi lalu lintas. Tahapan penelitian dimulai dengan mengumpulkan data video lalu lintas dari CCTV (Closed Circuit Television) yang dipasang di berbagai lokasi strategis untuk mendapatkan gambaran lengkap tentang kondisi lalu lintas. Data tersebut kemudian dianalisis menggunakan algoritma YOLOv4 (You Only Look Once v4) untuk mendeteksi kendaraan secara real-time. YOLOv4 dipilih karena keunggulannya dalam efisiensi dan akurasi deteksi kendaraan secara real-time. Setelah data deteksi kendaraan terkumpul, data tersebut diintegrasikan dengan sistem lampu lalu lintas. Algoritma ini dirancang untuk mengintegrasikan data deteksi kendaraan secara real-time dan menyesuaikan durasi lampu lalu lintas berdasarkan jumlah kendaraan. Selanjutnya simulasi sistem menggunakan library pygame dilakukan untuk mengevaluasi kinerja algoritma di berbagai kondisi lalu lintas. Hasil penelitian menunjukkan bahwa penggunaan YOLOv4 dalam sistem pengontrolan lampu lalu lintas adaptif secara signifikan mengurangi kemacetan. Model YOLOv4 menunjukkan akurasi rata-rata tertinggi sebesar 78% dalam deteksi kendaraan di jalan kedua dengan kualitas video yang cukup baik. Penggunaan YOLOv4 dalam pengontrolan lampu lalu lintas menunjukkan peningkatan efisiensi dan responsivitas terhadap tingkat kepadatan lalu lintas sedang, dengan pengurangan durasi lampu hijau berkisar antara 53% hingga 86%.   Abstract Vehicle detection is a key aspect of efficient traffic control. Traffic congestion can occur, in part, due to traffic light duration settings that are not adjusted according to the volume of vehicles at a given time. This study develops an adaptive traffic light control system that adjusts the duration of the lights based on the detected vehicle volume, aiming to address the shortcomings of conventional traffic control systems and reduce congestion while improving traffic efficiency.The research began with collecting traffic video data from CCTV (Closed Circuit Television) installed at various strategic locations to get a comprehensive overview of traffic conditions. The data was then analyzed using the YOLOv4 (You Only Look Once v4) algorithm for real-time vehicle detection. YOLOv4 was chosen for its advantages in efficiency and accuracy in real-time vehicle detection. Once the vehicle detection data was collected, it was integrated with the traffic light system. The algorithm was designed to integrate real-time vehicle detection data and adjust the traffic light duration based on the number of vehicles. A simulation of the system was then conducted using the Pygame library to evaluate the algorithm's performance under various traffic conditions. The study results showed that the use of YOLOv4 in adaptive traffic light control systems significantly reduced congestion. The YOLOv4 model demonstrated the highest average accuracy of 78.93% in vehicle detection on the second road with fairly good video quality. The use of YOLOv4 in traffic light control showed increased efficiency and responsiveness to moderate traffic density, with a reduction in green light duration ranging from 53% to 86%.
Pendekatan Hybrid F-AHP Dan WSM Untuk Optimalisasi Seleksi Mobile Developer Murnawan; Lestari, Sri; Samihardjo, Rosalin
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 5: Oktober 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025125

Abstract

Dalam era digital yang berkembang pesat, peran mobile developer menjadi semakin penting untuk mendukung transformasi digital melalui aplikasi berbasis mobile. Namun, proses seleksi mobile developer menghadapi tantangan kompleks akibat banyaknya kriteria teknis dan non-teknis yang harus dipertimbangkan secara bersamaan, sehingga diperlukan metode seleksi yang lebih efektif. Penelitian ini bertujuan untuk mengembangkan dan menguji model terpadu yang menggabungkan Fuzzy Analytic Hierarchy Process (F-AHP) dan Weighted Sum Model (WSM) guna mengoptimalkan proses seleksi mobile developer. Model ini dirancang untuk menangani ketidakpastian dan ambiguitas dalam evaluasi kandidat dengan memberikan pembobotan kriteria yang objektif dan terstruktur. Pendekatan kuantitatif dengan desain deskriptif-eksploratif diterapkan dalam penelitian ini, melibatkan tiga pengambil keputusan dan analisis dokumen serta portofolio dari 15 kandidat. F-AHP digunakan untuk menghitung bobot relatif kriteria utama dan sub-kriteria, sementara WSM menggabungkan bobot tersebut dengan skor kandidat untuk menentukan peringkat akhir. Hasil penelitian menunjukkan bahwa model ini meningkatkan akurasi seleksi dari 72% menggunakan metode konvensional menjadi 100%. Uji sensitivitas membuktikan bahwa model ini cukup robust terhadap perubahan kecil pada bobot kriteria dan sub-kriteria (±5% hingga ±10%). Analisis lebih lanjut mengungkapkan bahwa sub-kriteria seperti Penguasaan Bahasa Pemrograman dan Pengalaman Pengembangan Aplikasi memberikan kontribusi signifikan terhadap hasil seleksi. Model ini direkomendasikan untuk diimplementasikan dalam seleksi mobile developer, karena menawarkan fleksibilitas dan akurasi yang lebih tinggi sekaligus meminimalkan bias dalam penilaian.   Abstract In the rapidly evolving digital era, the role of mobile developers has become increasingly crucial in supporting digital transformation through mobile-based applications. However, the selection process for mobile developers faces complex challenges due to the need to consider multiple technical and non-technical criteria simultaneously, requiring more effective selection methods. This study aims to develop and evaluate an integrated model combining the Fuzzy Analytic Hierarchy Process (F-AHP) and Weighted Sum Model (WSM) to optimize the selection process for mobile developers. The model is designed to address uncertainty and ambiguity in candidate evaluations by providing objective and structured criteria weighting. A quantitative approach with a descriptive-exploratory design was employed in this study, involving three decision-makers and an analysis of documents and portfolios from 15 candidates. F-AHP was used to calculate the relative weights of main criteria and sub-criteria, while WSM combined these weights with candidate scores to determine the final ranking. The study results show that the model improved selection accuracy from 72% using conventional methods to 100%. Sensitivity tests demonstrated that the model is robust to minor changes in the weights of criteria and sub-criteria (±5% to ±10%). Further analysis revealed that sub-criteria such as Programming Language Proficiency and Application Development Experience significantly influenced the selection outcomes. This model is recommended for implementation in mobile developer selection as it offers higher flexibility and accuracy while minimizing assessment bias.
Perancangan Model Convolutional Neural Network Pada Aplikasi Pengenalan Aksara Sunda Berbasis Mobile Kurniadi, Dede; Zulkarnaen, Ade Iskandar; Mulyani, Asri
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 5: Oktober 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025125

Abstract

Mendikbudristek pada tahun 2022 menjadikan 38 bahasa daerah menjadi objek revitalisasi, salah satunya yaitu bahasa Sunda. Hal tersebut dikarenakan sebagian besar  bahasa daerah di Indonesia kondisinya terancam punah dan kritis. Hilangnya bahasa daerah juga mengancam keberadaan aksara lokal yang menjadi bagian integral dari warisan budaya. Dalam upaya memperkenalkan serta mendukung revitalisasi di bidang kebahasaan, pengembangan aplikasi media pembelajaran berbasis mobile dapat menjadi solusi yang efektif. Hal ini didasarkan bahwa perangkat smartphone memiliki pengguna yang luas di kalangan masyarakat. Penelitian ini bertujuan untuk merancang dan mengimplementasikan model Convolutional Neural Network (CNN) untuk pengenalan aksara Sunda pada perangkat berbasis mobile. Model CNN diterapkan pada fitur belajar menulis untuk mengenali tulisan tangan aksara Sunda dan memberikan feedback kepada pengguna. Penelitian ini menggunakan metode Machine Learning Lifecycle (MLLC) dimana tahapan yang dilakukan meliputi problem definition, data, model, dan production system. Penelitian dimulai dengan pembuatan dataset tulisan tangan digital, yang kemudian digunakan untuk melatih model klasifikasi menggunakan arsitektur CNN VGG-16. Dataset yang berhasil dibuat sebanyak 7500 gambar yang terdiri dari aksara Sunda swara, ngalagena, dan ngalagena serapan. Model yang dihasilkan dari proses pelatihan dengan total 10 epoch memperoleh akurasi sebesar 99%, sementara pada data testing memperoleh akurasi rata-rata sebesar 83%. Pada tahap akhir pengujian, model diimplementasikan pada prototype aplikasi pengenalan aksara Sunda berbasis mobile dan dapat dengan baik mengklasifikasi aksara Sunda. Hasil dari penelitian ini yaitu berupa model pengenalan aksara Sunda yang dapat diterapkan pada aplikasi berbasis mobile. Melalui pembuatan model dan prototype aplikasi pengenalan aksara Sunda, penelitian ini ikut berkontribusi pada digitalisasi aksara Sunda serta menyediakan landasan untuk pengembangan dan penelitian lanjutan dalam penerapan CNN pada aplikasi berbasis mobile.   Abstract In 2022, the Minister of Education, Culture, Research and Technology made 38 regional languages ​​the object of revitalization, one of which is Sundanese. This is because most regional languages ​​in Indonesia are endangered and critical. The loss of regional languages ​​also threatens the existence of local scripts, which are an integral part of cultural heritage. To introduce and support revitalization in the language field, the development of mobile-based learning media applications can be an effective solution. This is based on the fact that smartphone devices have a wide user base in society. This study aims to design and implement a Convolutional Neural Network (CNN) model for Sundanese script recognition on mobile-based devices. The CNN model is applied to the learning-to-write feature to recognize Sundanese handwriting and provide user feedback. This study uses the Machine Learning Lifecycle (MLLC) method, where the stages include problem definition, data, models, and production systems. The study began with creating a digital handwriting dataset, which was then used to train a classification model using the CNN VGG-16 architecture. The successfully created dataset was 7500 images consisting of Sundanese swara, ngalagena, and ngalagena absorption scripts. The model produced from the training process with 10 epochs obtained an accuracy of 99%, while the testing data obtained an average accuracy of 83%. In the final stage of testing, the model was implemented on a mobile-based Sundanese script recognition application prototype and could classify Sundanese script well. The results of this study are in the form of a Sundanese script recognition model that is applied to a mobile-based application prototype. By creating a model and prototype of a Sundanese script recognition application, this research contributes to the digitalization of Sundanese script and provides a foundation for further development and research in the application of CNN to mobile base applications.
Model Hibrida CNN Berbobot dan Model Adaboost Decision Tree untuk Klasifikasi Penyakit Kubis pada Dataset Tidak Seimbang Iriany , Atiek; Sovia, Nabila Ayunda; Wardhani, Ni Wayan Surya; Sumarminingsih, Eni
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 5: Oktober 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025125

Abstract

Metode klasifikasi berbasis gambar banyak digunakan dalam bidang pertanian untuk mendeteksi penyakit pada berbagai tanaman, termasuk jenis yang rentan terhadap infeksi seperti kubis. Namun, performa optimal dalam klasifikasi gambar sangat dipengaruhi oleh jumlah dan keseimbangan data. Ketidakseimbangan data dalam klasifikasi penyakit tanaman kubis dapat menyebabkan model lebih memfokuskan perhatian pada kelas mayoritas, sehingga mengabaikan kelas minoritas, terutama pada klasifikasi multi-kelas. CNN sering digunakan dalam klasifikasi gambar, tetapi memiliki kelemahan dalam menangani data tidak seimbang karena cenderung lebih fokus pada kelas mayoritas. Untuk mengatasi permasalahan ini, dikembangkan model Hybrid yang mengombinasikan metode pembobotan pada CNN untuk ekstraksi fitur, model estimasi menggunakan Decision Tree, serta teknik ensemble Adaboost pada tahap klasifikasi. Pendekatan ini dirancang untuk meningkatkan kemampuan generalisasi terhadap kelas minoritas serta menghasilkan distribusi prediksi yang lebih seimbang. Hasil penelitian menunjukkan bahwa model Hybrid yang diusulkan mampu meningkatkan performa klasifikasi sebagaimana terlihat dari peningkatan Weighted Average F1-score menjadi 97%, dibandingkan model CNN tunggal dengan pembobotan yang hanya mencapai 63%. Peningkatan ini menunjukkan bahwa model Hybrid tidak hanya lebih efektif dalam menangani ketidakseimbangan data, tetapi juga mampu melakukan generalisasi yang lebih baik.   Abstract Image-based classification methods are widely used in agriculture to detect diseases in various plants, including those susceptible to infections, such as cabbage. However, achieving optimal performance in image classification is highly influenced by the quantity and balance of the data. Data imbalance in cabbage disease classification can cause the model to focus more on the majority class while neglecting the minority class, especially in multi-class classification. CNN is commonly used for image classification but struggles with imbalanced data, as it tends to prioritize the majority class. To address this issue, a hybrid model has been developed by combining weighting techniques in CNN for feature extraction, a Decision Tree for estimation, and the Adaboost ensemble technique for classification. This approach is designed to enhance generalization for minority classes and produce a more balanced prediction distribution. The results of the study indicate that the proposed Hybrid model is capable of improving classification performance, as evidenced by an increase in the Weighted Average F1-score to 97%, compared to the weighted CNN model, which achieved only 63%. This improvement demonstrates that the Hybrid model is not only more effective in addressing data imbalance but also better at generalizing the data.
Sistem Deteksi dan Pencegahan System Attack pada Infrastruktur Jaringan Menggunakan Realtime Honeypot dan Automatic Iptables Damanik, Hillman Akhyar; Anggraeni, Merry
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 5: Oktober 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025126

Abstract

Seiring meningkatnya kompleksitas jaringan serta tingginya ketergantungan pada perangkat infrastruktur jaringan, serangan siber terhadap sistem yang terhubung langsung ke internet menjadi tantangan utama dalam pengelolaan keamanan infrastruktur. Eksploitasi pada protokol umum layanan publik seperti SSH, Telnet, SMB, dan FTP sering dimanfaatkan oleh aktor siber untuk menyusup ke sistem menggunakan kredensial lemah atau default. Penelitian ini mengusulkan pendekatan proaktif melalui pemanfaatan honeypot sebagai alat pendeteksi serangan dengan mengimplementasikan sistem yang rentan terhadap eksploitasi. Arsitektur pengujian dirancang dalam dua skenario, yaitu farm server pada virtual (vServer) dan perangkat router, yang masing-masing dilengkapi dengan honeypot jenis Cowrie, Dionaea, Honeytrap, Suricata, dan Mailoney. Serangkaian teknik analisis diterapkan, seperti Statistical Traffic Analysis, identifikasi layanan target dan protokol, pemantauan port SSH, deteksi intrusi berbasis jaringan (IDS), serta analisis sampel malware yang berhasil ditangkap. Data log yang dikumpulkan selama dua bulan mencerminkan aktivitas serangan yang cukup tinggi, dengan total catatan sebanyak 2.813.776 entri dari Cowrie, 2.109.900 dari Dionaea, 1.047.814 dari Honeytrap, dan 650.741 dari Suricata. Selain pemantauan serangan, penelitian ini juga mengembangkan mekanisme pertahanan dengan mengintegrasikan pemfilteran otomatis berbasis IPTables. Pendekatan ini terbukti mampu mengurangi beban kerja perangkat jaringan, dengan efisiensi hingga 45% (CPU dan Memory) pada perangkat Router dan sekitar 40% (CPU dan Memory) pada Server Farm. Hasil penelitian ini menunjukkan bahwa penggabungan berbagai jenis honeypot dengan dukungan otomasi mitigasi berbasis filtering firewall iptables mampu meningkatkan deteksi dini dan memperkuat ketahanan jaringan terhadap serangan dari internet.   Abstract As the complexity of networks increases and the high dependence on network infrastructure devices, cyber attacks on systems directly connected to the internet become a major challenge in managing infrastructure security. Exploits on common public service protocols such as SSH, Telnet, SMB, and FTP are often used by cyber actors to infiltrate systems using weak or default credentials. This study proposes a proactive approach through the use of honeypots as an attack detection tool by implementing a system that is vulnerable to exploitation. The testing architecture is designed in two scenarios, namely a virtual server farm (vServer) and a router device, each equipped with a honeypot type Cowrie, Dionaea, Honeytrap, Suricata, and Mailoney. A series of analysis techniques are applied, such as Statistical Traffic Analysis, identification of target services and protocols, SSH port monitoring, network-based intrusion detection (IDS), and analysis of successfully captured malware samples. The log data collected over two months reflects quite high attack activity, with a total of 2,813,776 entries from Cowrie, 2,109,900 from Dionaea, 1,047,814 from Honeytrap, and 650,741 from Suricata. In addition to monitoring attacks, this study also developed a defense mechanism by integrating IPTables-based automatic filtering. This approach has been proven to be able to reduce the workload of network devices, with an efficiency of up to 45% (CPU and Memory) on Router devices and around 40% (CPU and Memory) on Server Farms. The results of this study indicate that combining various types of honeypots with the support of iptables firewall filtering-based mitigation automation can improve early detection and strengthen network resilience against attacks from the internet.
Deteksi Informasi Sensitif dalam Dokumen Teks di Sektor Jasa Keuangan dengan Model CNN Berbasis TF-IDF dan TF-RF Vodegel, Steven Adriandi; Vodegel, Septian Charles; Vodegel, Imelda
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 5: Oktober 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025125

Abstract

Penelitian ini berfokus pada pengembangan model pembelajaran mesin untuk mendeteksi informasi sensitif dalam dokumen teks di industri jasa keuangan. Masalah utama yang diidentifikasi adalah potensi penyalahgunaan informasi oleh karyawan yang mengundurkan diri, keterbatasan metode deteksi tradisional, dan kebutuhan akan model pembelajaran mesin yang efektif. Ruang lingkup penelitian mencakup pengembangan model Convolutional Neural Networks (CNN) dengan metode pembobotan Term Frequency-Inverse Document Frequency (TF-IDF) dan Term Frequency-Relevance Frequency (TF-RF). Penelitian menggunakan pendekatan kuantitatif dan eksperimental, dengan tahapan pengumpulan data, pra-pemrosesan, penerapan pembobotan, pelatihan dan evaluasi model, serta validasi hasil. Data terdiri dari dokumen teks perusahaan jasa keuangan seperti laporan keuangan dan data nasabah. Pra-pemrosesan dilakukan untuk menghilangkan noise dan informasi tidak relevan, diikuti oleh metode pembobotan untuk memberi bobot pada kata-kata penting. Model CNN dilatih untuk mendeteksi pola yang menunjukkan informasi sensitif. Hasil penelitian menunjukkan metode TF-IDF lebih baik daripada TF-RF dalam mendeteksi informasi sensitif, dengan akurasi tertinggi 93,26%. Model CNN mampu mengenali pola kompleks dan mendeteksi informasi sensitif dengan akurasi tinggi. Evaluasi dengan akurasi, presisi, recall, dan f1-score menunjukkan bahwa model ini dapat diandalkan dan diaplikasikan dalam situasi nyata. Penelitian ini berkontribusi pada keamanan informasi dan penerapan pembobotan dalam meningkatkan kinerja model pembelajaran mesin.   Abstract This research focuses on the development of a machine learning model to detect sensitive information in text documents within the financial services industry. The main issues identified are the potential misuse of information by employees who resign, the limitations of traditional detection methods, and the need for an effective machine learning model. The scope of the research includes the development of a Convolutional Neural Networks (CNN) model with Term Frequency-Inverse Document Frequency (TF-IDF) and Term Frequency-Relevance Frequency (TF-RF) weighting methods. The study employs a quantitative and experimental approach, with stages including data collection, preprocessing, application of weighting methods, model training and evaluation, and result validation. The data consists of text documents from financial services companies such as financial reports and customer data. Preprocessing was carried out to remove noise and irrelevant information, followed by the application of weighting methods to assign importance to significant words. The CNN model was trained to detect patterns indicating sensitive information. The results show that the TF-IDF method performed better than TF-RF in detecting sensitive information, with the highest accuracy of 93.26%. The CNN model was able to recognize complex patterns and detect sensitive information with high accuracy. Evaluation using accuracy, precision, recall, and f1-score demonstrates that this model is reliable and applicable in real-world situations. This research contributes to information security and the use of weighting methods to improve the performance of machine learning models.
Perbandingan Varian Model EFFICIENTNETV2 pada Citra Histologi Osteosarcoma Nurhasanah, Youllia Indrawaty; Nurfayza, Rifasya Ayu
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 5: Oktober 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025125

Abstract

Osteosarcoma merupakan jenis kanker tulang ganas yang menyerang ujung tulang panjang dan berpotensi menyebar ke organ lain (metastasis). Diagnosis dini berperan penting untuk mendukung hasil pengobatan yang optimal. Penelitian ini menggunakan Convolutional Neural Network (CNN) untuk menganalisis dan mengklasifikasikan citra histologi tulang Osteosarcoma, dengan membandingkan kinerja tiga varian model EfficientNetV2 (S, M, dan L). Dataset yang digunakan adalah citra histologi Osteosarcoma yang telah didigitalisasi dan dataset ini diproses melalui tahap preprocessing, augmentasi, serta training menggunakan ketiga model, lalu diproses pula melalui konfigurasi hyperparameter. Evaluasi kinerja model dilakukan berdasarkan akurasi, Presisi, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa EfficientNetV2-S mencapai akurasi tertinggi sebesar 88,86% dengan efisiensi yang lebih baik, sedangkan EfficientNetV2-Memiliki stabilitas klasifikasi yang lebih baik dengan F1-Score yang lebih konsisten dengan akurasi sebesar 88,80%. Sementara itu, EfficientNetV2-L menunjukkan hasil akurasi yang kompetitif tetapi memerlukan sumber daya komputasi yang lebih besar. Analisis lebih lanjut menunjukkan bahwa pemilihan model tidak hanya bergantung pada akurasi, tetapi juga mempertimbangkan ukuran model dan kebutuhan komputasi. Hasil penelitian ini menunjukkan bahwa EfficientNetV2-S merupakan pilihan optimal berdasarkan akurasi dan efisiensi, sedangkan EfficientNetV2-M lebih unggul dalam stabilitas klasifikasi. Hasil penelitian ini dapat menjadi referensi dalam pengembangan sistem berbasis deep learning untuk diagnosis kanker tulang di masa depan.   Abstract Osteosarcoma is a malignant bone cancer that primarily affects the ends of long bones and has a high potential for metastasis to other organs. Early diagnosis is crucial to improving treatment outcomes and patient prognosis. This study employs a Convolutional Neural Network (CNN) to analyze and classify histological images of Osteosarcoma by comparing the performance of three variants of the EfficientNetV2 model (S, M, and L). The dataset that used in this study is a digitized Osteosarcoma histology images, and will be processed through the preprocessing, data augmentation, and model training using the three different EfficientNetV2 variants. Additionally, hyperparameter tuning is performed to optimize model performance. The evaluation of model performance is conducted based on accuracy, precision, recall, and F1-score. The results showed that EfficientNetV2-S achieved the highest accuracy of 88.86% with better efficiency, while EfficientNetV2-S had better classification stability with a more consistent F1-Score with an accuracy of 88.80%. Meanwhile, EfficientNetV2-L showed competitive accuracy results but required more computational resources. Further analysis reveals that model selection not only depends on accuracy, but also considers model size and computational requirements. The results show that EfficientNetV2-S is the optimal choice based on accuracy and efficiency, while EfficientNetV2-M is the optimal choice in classification stability. The results of this study can serve as a reference in the development of deep learning-based systems for bone cancer diagnosis in the future.  
Studi Pendekatan Quality & Differential Analysis TerhadapKinerja Algoritma AES-CBC pada Enkripsi Gambar Gafur, Sartika; Aribowo, Eko
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 5: Oktober 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025125

Abstract

Penelitian ini mengeksplorasi pendekatan Quality & Differential Analysis untuk menilai kinerja algoritma AES-Cipher Block Chaining (AES-CBC) pada enkripsi gambar dengan resolusi 512 x 512 piksel. Algoritma AES-CBC dipilih karena kemampuannya menyediakan enkripsi blok yang aman dan efisien terhadap data berstruktur pada gambar berekstensi *.jpg, *.jpeg, *.png, *.gif, *.bmp, *.tiff, *.webp, *.heic, *.heif, *.svg, *.raw, *.psd, dan *.ico. Penelitian ini menggunakan tujuh metrik evaluasi yang komprehensif: Encryption Quality (MSE, RMSE, PSNR, SSIM) dan Differential Analysis (NPCR, UACI, CC), yang lebih komprehensif dibandingkan beberapa penelitian sebelumnya yang umumnya hanya menggunakan dua atau tiga metrik. Hasil penelitian menunjukkan bahwa algoritma AES-CBC mampu menghasilkan enkripsi gambar yang kuat, dengan nilai MSE dan RMSE sebesar 0.0, PSNR tak terhingga (inf dB), dan SSIM 1.0. Nilai NPCR berkisar antara 99.97% hingga 100%, UACI antara 49.87% hingga 50.26%, dan CC antara -0.0055 hingga 0.007, menunjukkan kemampuan algoritma dalam menangani perubahan diferensial. Penelitian ini memberikan wawasan mendalam tentang efektivitas algoritma AES-CBC dalam mengamankan file gambar dan menawarkan analisis menyeluruh tentang kualitas enkripsi dan ketahanannya terhadap serangan diferensial. Hasil penelitian ini diharapkan dapat berkontribusi pada pengembangan teknik enkripsi yang lebih aman di masa depan.   Abstract This research explores Quality & Differential Analysis approach to assess the performance of AES-Cipher Block Chaining (AES-CBC) algorithm on image encryption with 512 x 512 pixels resolution. The AES-CBC algorithm was chosen for its ability to provide secure and efficient block encryption of structured data in images with the extensions *.jpg, *.jpeg, *.png, *.gif, *.bmp, *.tiff, *.webp, *.heic, *.heif, *.svg, *.raw, *.psd, and *.ico. This research uses seven comprehensive evaluation metrics: Encryption Quality (MSE, RMSE, PSNR, SSIM) and Differential Analysis (NPCR, UACI, CC), which is more comprehensive than some previous studies that generally only use two or three metrics. The results show that the AES-CBC algorithm is able to produce strong image encryption, with MSE and RMSE values of 0.0, PSNR infinity (inf dB), and SSIM 1.0. NPCR values range from 99.97% to 100%, UACI between 49.87% to 50.26%, and CC between -0.0055 to 0.007, demonstrating the algorithm's ability to handle differential changes. This research provides an in-depth insight into the effectiveness of the AES-CBC algorithm in securing image files and offers a thorough analysis of its encryption quality and resistance to differential attacks. The results of this research are expected to contribute to the development of more secure encryption techniques in the future.
Reversible Data Hiding pada Gambar Digital dengan Sistem Otentikasi Terintegrasi Wahyudi, Bambang Ari; Palupi, Irma; Putranto, Muhammad Fadhlan
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 5: Oktober 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025125

Abstract

Reversible Data Hiding (RDH) adalah salah satu metode yang efektif dalam steganografi, yang memungkinkan penyisipan informasi ke dalam media digital, seperti gambar, dengan kemampuan untuk memulihkan data asli sepenuhnya setelah informasi yang disisipkan diekstraksi. Dengan mengkombinasikan menggunakan Personal Identification Number (PIN), pemilik karya seni dapat menjalankan proses penyisipan data, ekstraksi data, serta validasi gambar. PIN berfungsi sebagai mekanisme keamanan yang membatasi akses hanya kepada pemilik yang sah, sehingga memastikan perlindungan data serta mencegah manipulasi atau akses tidak sah terhadap karya digital. Selain itu, PIN digunakan untuk menentukan lokasi piksel yang dapat dimodifikasi pada gambar. Dataset yang digunakan adalah sepuluh gambar digital dengan ukuran piksel 720 x 1280 yang terdiri dari lima gambar digitar berwarna dan lima gambar hitam putih. Hasil pengujian sistem yang dibuat menunjukan sistem yang dibangun bekerja dengan baik dimana gambar hasil ekstraksi berkualitas baik dengan perbedaan kecil yang mungkin terlihat namun umumnya tidak mengganggu dengan nilai PSNR gambar berwarna adalah 38.076 db dan rata-rata PSNR gambar hitam putih 50.58. Sedangkan untuk pengujian SSIM nilai pengujian rata-rata 0.98 yang berarti secara struktural kedua gambar sama. Kapasitas penyimpanan informasi untuk gambar berwarna sebesar 13.05% sedangkan untuk gambar hitam putih sebesar 66.88%.   Abstract Reversible Data Hiding (RDH) is an effective method in steganography that enables the embedding of information into digital media, such as images, with the ability to fully recover the original data once the embedded information has been extracted. By integrating the use of a Personal Identification Number (PIN), the owner of a work of art can carry out the processes of data embedding, data extraction, and image validation. The PIN functions as a security mechanism that restricts access exclusively to the rightful owner, thereby ensuring data protection and preventing unauthorized manipulation or access to the digital artwork. Additionally, the PIN is employed to identify specific pixel locations that can be altered within the image. The dataset used consists of ten digital images with a resolution of 720 x 1280 pixels, consisting of five colored images and five grayscale images The results of the system evaluation indicate that the extracted images maintain high quality, with minimal differences that are generally imperceptible where the PSNR for colored images is 38.076 dB, and the average PSNR for grayscale images is 50.58 dB. Meanwhile, SSIM testing yielded an average value of 0.98, signifying that the structural similarity between the original and extracted images is nearly identical. The information storage capacity for colored images was measured at 13.05%, whereas for grayscale images, it reached 66.88%.

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