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 6: Desember 2025" : 25 Documents clear
Hybrid Algoritma Convolutional Neural Network dengan Support Vector Machine untuk Klasifikasi Jenis Tenun Timor Baso, Budiman; Risald; Huda, Nurul
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

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

Abstract

Setiap wilayah di Pulau Timor memiliki motif khas pada tenunnya yang mencerminkan keberagaman budaya setempat, penelitian ini mendalami keragaman motif kain tenun di Pulau Timor, di mana setiap wilayah memiliki karakteristik motif yang mencerminkan kekayaan budaya lokal. Motif dan proses pembuatan tenun menjadi cerminan dari jenis dan asal usul setiap kain tenun di pulau ini. Terdapat tantangan dalam membedakan kain tenun Timor yang sangat bervariasi, terutama karena kemiripan motif yang bisa muncul di wilayah yang berbeda. Dengan menyadari kompleksitas ini, penelitian ini bertujuan mengatasi kesulitan tersebut dengan mengusulkan penggunaan Pendekatan hybrid algoritma memadukan keunggulan ekstraksi fitur Convolutional Neural Network (CNN) dalam mengidentifikasi corak motif atau tekstur kain tenun dengan keahlian Support Vector Machine (SVM) dalam klasifikasi. Dengan demikian, SVM dapat membantu mengurangi risiko overfitting yang mungkin terjadi pada model CNN, sambil meningkatkan akurasi klasifikasi pada dataset kain tenun. Hasil eksperimen menunjukkan bahwa pendekatan hybrid ini melampaui kinerja algoritma klasifikasi CNN secara mandiri. Metode SVM multi class One Vs One (OVO) dengan kernel RBF pada model hybrid mencapai performa terbaik dengan tingkat akurasi mencapai 98,95%, presisi 99,03%, recall 98,95%, dan F1-Score 98,99%. Selain itu, waktu komputasi yang lebih efisien, menunjukkan keunggulan pendekatan ini dalam menangani masalah klasifikasi multi class pada dataset citra tenun Timor.   Abstract Each region on Timor Island has a distinctive motif in its weaving that reflects the diversity of local culture, this research explores the diversity of woven fabric motifs on Timor Island, where each region has a characteristic motif that reflects the richness of local culture. The motifs and weaving process are a reflection of the type and origin of each woven fabric on the island. There are challenges in distinguishing Timor's highly varied woven fabrics, especially due to the similarity of motifs that can appear in different regions. Recognising this complexity, this research aims to overcome this difficulty by proposing the use of a hybrid approach that combines the advantages of Convolutional Neural Network (CNN) feature extraction in identifying the motif pattern or texture of woven fabrics with the expertise of Support Vector Machine (SVM) in classification. Thus, SVM can help reduce the risk of overfitting that may occur in CNN models, while improving classification accuracy on woven fabric datasets. Experimental results show that this hybrid approach surpasses the performance of the CNN classification algorithm independently. The SVM multi-class One Vs One (OVO) method with RBF kernel in the hybrid model achieves the best performance with 98.95% accuracy, 99.03% precision, 98.95% recall, and 98.99% F1-Score. In addition, the computation time is more efficient, showing the superiority of this approach in handling multi-class classification problems on ci datasets.  
Klasifikasi Biji Kedelai Menggunakan Convolutional Neural Network (CNN) pada Model EfficientNet-B0 Al Husna, Reza; Maulana Kusuma, Tubagus
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

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

Abstract

Produktivitas kedelai sangat dipengaruhi oleh kualitas dan kuantitas mutu fisik biji kedelai. Pemilihan biji kedelai biasanya dilakukan secara manual oleh petani, namun proses tersebut memakan waktu lama dan sering kali kurang optimal. Dalam bidang Artificial Intelligence, khususnya deep learning, terdapat metode yang dapat menjadi solusi efektif untuk mengenali biji kedelai berkualitas tanpa merusak sampel. Penelitian ini memanfaatkan Convolutional Neural Network (CNN) untuk melakukan klasifikasi guna meningkatkan efisiensi dan keberhasilan dalam pemilihan biji kedelai yang berkualitas. Selain itu, digunakan model transfer learning EfficientNet-B0 yang menggunakan Hyperparameter optimizer Adam, learning rate 0,001 serta ukuran batch 32 untuk memperkuat kinerja pada model. Pengujian dilakukan menggunakan dataset yang diambil dari Mendeley Data, terdiri dari 5 kelas biji kedelai: broken soybean, immature soybean, intact soybean, skin damaged soybean, dan spotted soybean, dengan total 5513 data. Dataset dibagi menjadi 80% untuk pelatihan, 10% data validasi, serta 10% untuk pengujian. Hasil penelitian menunjukkan bahwa CNN dengan model EfficientNet-B0 mampu mencapai akurasi sebesar 95%, yang menunjukkan efektivitas metode ini dalam membantu petani melakukan pemilihan biji kedelai secara lebih efisien dan akurat.   Abstract Soybean productivity is strongly influenced by the quality and quantity of the physical qualities of soybean seeds. Soybean seed selection is usually done manually by farmers, but the process is time-consuming and often less than optimal. In the field of Artificial Intelligence, especially deep learning, there is a method that can be an effective solution to recognize quality soybean seeds without damaging the sample. This research utilizes Convolutional Neural Network (CNN) to perform classification to increase efficiency and success in selecting quality soybean seeds. In addition, the EfficientNet-B0 transfer learning model is used which uses the Adam hyperparameter optimizer, learning rate 0,001 and batch size 32 to strengthen the performance of the model. Testing was conducted using a dataset taken from Mendeley Data, consisting of 5 classes of soybean seeds: broken soybean, immature soybean, intact soybean, skin damaged soybean, and spotted soybean, with a total of 5513 data. The dataset is divided into 80% for training, 10% validation data, and 10% for testing. The results show that CNN with the EfficientNet-B0 model is able to achieve an accuracy of 95%, which shows the effectiveness of this method in helping farmers make soybean seed selection more efficiently and accurately.
Prediksi Harga Perumahan Menggunakan Metode Principal Component Analysis dan Random Forest Regresi Sutanto, Yusuf; Al Amin, Budi; Ary Setyadi, Heribertus; Eka Purnama, Bambang
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

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

Abstract

Penentuan harga merupakan salah satu aspek krusial dalam kegiatan pengembangan properti mengingat hal tersebut akan mempengaruhi margin keuntungan yang diperoleh pengembang dan pilihan pembelian properti.  Selama bertahun-tahun, prediksi harga rumah telah menjadi topik penelitian utama, karena permintaan rumah terus meroket. Sangat penting untuk mengembangkan kerangka kerja yang sesuai yang memungkinkan pembeli dan penjual untuk membuat keputusan cepat dalam hal membeli atau menjual properti. Dalam penelitian ini menggunakan metode Principal Component Analysis (PCA) dan Random Forest (RF), dengan tujuan untuk melakukan analisis akurasi penggunaan kedua metode dalam prediksi harga rumah dan untuk mengetahui pengaruh penggunaan PCA dalam mengoptimalkan metode random forest. Data yang digunakan adalah harga rumah di kota Surakarta berdasarkan hasil scraping data di situs propertygurugroup.com. Hasil analisis menunjukkan bahwa jumlah penjualan rumah tertinggi adalah daerah Plesungan, dan penjualan rumah yang memiliki sertifikat hak milik juga paling tinggi. Dari sepuluh variabel yang ada, luas tanah dan bangunan paling berpengaruh terhadap harga jual. Hasil pelatihan model menunjukkan bahwa peggabungan metode RF dan PCA memiliki nilai yang lebih optimal dibanding hanya menggunakan metode RF saja. Tingkat kesalahan dalam metode  PCA lebih kecil, dengan rerata 0,0257 maka nilainya lebih konsisten dibanding hanya menggunakan metode RF yang nilai kesalahannya lebih besar dengan rerata 0,0332. Waktu pelatihan model menggunakan PCA lebih cepat (5005,75) dibanding hanya menggunakan metode RF (6099,25).   Abstract Determining prices is one of the crucial aspects in property development activities considering that this will affect the profit margin obtained by developers and property purchase choices. Over the years, home price prediction has been a major research topic, as demand for homes continues to increase. It is important to develop a suitable framework that allows buyers and sellers to make quick decisions when it comes to buying or selling a property. This research uses the Principal Component Analysis (PCA) and Random Forest (RF) methods, with the aim of accuracy analyzing using both methods in predicting housing prices and to determine the effect of using PCA in optimizing the random forest method. The data used is house prices in Surakarta city based on data scraping results on propertygurugroup.com site. The analysis results show that the highest house sales is in Plesungan area, and houses sale with ownership certificates is also the highest. Of the ten variables, land area and building have the most influence on selling price. Model training results show that combination of RF and PCA methods has a more optimal value than using only RF method. Error rate in the PCA method is smaller, with an average of 0.0257, so the value is more consistent than just using the RF method, which has a larger error value with an average of 0.0332. The model training time using PCA is faster (5005.75) than just using the RF method (6099.25).
Segmentasi Awan pada Citra Satelit Multispektral Menggunakan Convolutional Neural Networks Wijaya, Bagus Setyawan; Munir, Rinaldi; Utama, Nugraha Priya
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

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

Abstract

Citra satelit multispektral adalah jenis citra yang diambil oleh satelit penginderaan jauh yang menangkap informasi dari berbagai rentang spektrum elektromagnetik. Citra satelit multispektral memiliki peran yang sangat penting karena kemampuannya untuk memberikan informasi untuk area yang luas secara berkala. Akan tetapi, salah satu permasalahan utama dari citra satelit multispektral adalah kontaminasi awan. Tutupan awan pada area yang luas menyebabkan informasi yang ada pada citra satelit menjadi bias. Oleh karena itu, segmentasi awan yang akurat pada citra satelit multispektral menjadi sangat penting. Penelitian ini berfokus untuk mengembangkan model segmentasi awan berbasis Convolutional Neural Networks (CNN) dengan kinerja yang baik. Penelitian diawali dengan proses pembuatan dataset citra satelit multispektral Sentinel-2 Level-2A. Algoritma s2cloudless digunakan untuk membentuk label dengan 4 kelas, yaitu: shadow, clear, cirrus, dan cloud. Selanjutnya, model segmentasi awan berbasis CNN dikembangkan berdasarkan beberapa model segmentasi semantik yang ada. Model tersebut dilatih dan dievaluasi pada 11.240 citra yang telah dibuat sebelumnya. Melalui ablation study, diperoleh model segmentasi awan terbaik yaitu Deeplabv3+ dengan backbone ResNet18. Arsitektur tersebut memberikan kinerja yang sangat menjanjikan dengan nilai F1-score, pixel accuracy, dan mIoU sebesar 0.922, 0.923, dan 0.733 secara berurutan. Dengan demikian penelitian terkait citra satelit diharapkan menjadi lebih akurat dalam melakukan klasifikasi atau prediksi objek yang ada di permukaan bumi.   Abstract Multispectral satellite imagery is a type of imagery captured by remote sensing satellites that record data from various ranges of the electromagnetic spectrum. Its importance lies in its ability to provide information over large areas periodically. However, one of the main challenges with multispectral satellite imagery is cloud contamination. Cloud cover over large regions can bias the information captured in the imagery. Therefore, accurate cloud segmentation in multispectral satellite imagery is crucial. This study focuses on developing a high-performance cloud segmentation model based on Convolutional Neural Networks (CNN). The research began with the creation of a multispectral satellite imagery dataset from Sentinel-2 Level-2A. Labels with four classes—shadow, clear, cirrus, and cloud—were generated using the s2cloudless algorithm. Subsequently, a CNN-based cloud segmentation model was developed using several existing semantic segmentation models. The model was trained and evaluated on 11,240 images from the dataset. Through an ablation study, the best cloud segmentation model was identified as Deeplabv3+ with a ResNet18 backbone. This architecture demonstrated a highly promising performance, achieving F1-score, pixel accuracy, and mIoU values of 0.922, 0.923, and 0.733, respectively. As a result, this research is expected to improve the accuracy of satellite imagery classification and object prediction on the Earth's surface.
Peningkatan Kualitas Citra Bawah Air Menggunakan GAN dengan Mekanisme Residual dan Attention Abdurrachman, Nursanti; Chahyati, Dina
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

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

Abstract

Citra bawah air sering mengalami penurunan kualitas yang disebabkan oleh proses redaman dan hamburan cahaya yang dipengaruhi oleh panjang gelombang serta jarak antara objek dan kamera. Faktor-faktor seperti gangguan pencahayaan dan kompleksitas latar bawah air sering kali menyebabkan citra menjadi buram, mengalami perubahan warna, dan mengalami berbagai bentuk degradasi visual lainnya. Upaya peningkatan kualitas citra bawah air tidak hanya bertujuan untuk memperbaiki tampilan visual, tetapi juga untuk menghasilkan citra yang lebih baik sebagai masukan bagi proses pengolahan citra lanjutan. Keunikan dan kompleksitas dari citra bawah air membuat metode peningkatan konvensional yang dirancang untuk kondisi seperti cahaya rendah dan berkabut menjadi kurang efektif bila diterapkan dalam konteks bawah air. Untuk mengatasi hal ini, penelitian ini memanfaatkan Generative Adversarial Networks (GANs) yang dilengkapi dengan mekanisme attention dan residual pada bagian generator. Penggunaan attention dan residual mechanism memungkinkan jaringan untuk fokus pada bagian penting dari gambar dan membantu dalam pemulihan informasi yang hilang selama proses peningkatan gambar. Penelitian ini menggunakan dataset EUVP dengan data latih sebanyak 3330 citra, data uji sebanyak 1110 citra, dan data validasi sebanyak 1110 citra. Pendekatan yang diusulkan pada penelitian ini mampu menjawab tantangan-tantangan utama dalam peningkatan citra bawah air. Citra yang dihasilkan memiliki keseimbangan yang cukup baik antara kualitas alami gambar dan kesamaan struktural dengan gambar target. Pendekatan yang diusulkan dalam penelitian ini juga mampu menyeimbangkan pemulihan warna dan preservasi tekstur sehingga menghasilkan gambar yang lebih alami dan realistis, tanpa artefak warna yang berlebihan atau kehilangan detail tekstur. Hasil evaluasi menunjukkan metode yang diusulkan mencapai nilai PSNR 23.7966, SSIM 0.7219, UIQM 1.4485, dan UCIQE 0.2389.   Abstract Underwater images inevitably suffer from quality degradation issues caused by wavelength- and distance-dependent attenuation and scattering. Light interference and complex underwater backgrounds frequently cause blurriness, color distortion, and other degradation problems in underwater images. Enhancing underwater image quality not only aims to improve visual perception but also to provide higher-quality inputs for other image processing techniques. The uniqueness and complexity of underwater images make enhancement methods designed to address issues like low light and foggy conditions unsuitable for underwater image enhancement tasks. Attention and residual mechanisms allow the network to focus on important parts of the image and aid in recovering lost information during the enhancement process. This research employs Generative Adversarial Networks (GANs) for underwater image enhancement, incorporating attention and residual mechanisms into the generator part. This study uses the EUVP dataset with 3330 training images, 1110 test images, and 1110 validation images. This research’s proposed method can address the challenges faced by underwater images. The resulting images achieve a good balance between natural image quality and structural similarity with the ground truth. The proposed method in this study is also able to balance color recovery and texture preservation, producing more natural and realistic images without excessive color artifacts or loss of texture details. Evaluation results show that the proposed method achieves PSNR 23.7966, SSIM 0.7219, UIQM 1.4485, dan UCIQE 0.2389.  
NSOC-VM: Kerangka Kerja Manajemen Kerentanan pada National Security Operation Center Nuha, Muhammad Azza Ulin; Windarta, Susila; Salman, Muhammad
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

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

Abstract

Keamanan siber merupakan aspek penting dalam penyelenggaraan Infrastruktur Informasi Vital (IIV), yaitu sekumpulan infrastruktur strategis yang berdampak signifikan apabila mengalami gangguan. National Security Operation Center (NSOC) berperan sebagai pusat operasi keamanan siber nasional yang memberikan layanan keamanan bagi IIV. Di Indonesia, IIV menghadapi tingkat kerentanan dan ancaman siber yang tinggi, sementara pengelolaan kerentanannya masih menghadapi berbagai tantangan. Saat ini, belum tersedia kerangka kerja khusus yang mengatur pelaksanaan siklus manajemen kerentanan di NSOC untuk pelindungan IIV. Penelitian ini bertujuan untuk mengusulkan kerangka kerja National Security Operation Center-Vulnerability Management (NSOC-VM) yang dirancang untuk membantu NSOC dalam melakukan pengelolaan kerentanan. Kerangka kerja ini disusun dengan pendekatan Plan-Do-Check-Act (PDCA) dan dilengkapi dengan rekomendasi penerapan berdasarkan beberapa standar keamanan siber. Validasi dilakukan oleh sepuluh pakar yang memiliki keahlian dalam pelindungan IIV, operasional NSOC, dan manajemen kerentanan. Hasil penelitian menunjukkan bahwa kerangka kerja terdiri atas empat tahapan, sepuluh aktivitas utama, dan tiga puluh lima rekomendasi implementasi. Berdasarkan validasi yang dilakukan, kerangka kerja tersebut disetujui oleh para pakar sehingga dapat diterapkan oleh NSOC dalam mendukung pelindungan IIV di Indonesia.   Abstract Cybersecurity plays a pivotal role in safeguarding Critical Information Infrastructure (CII), which comprises strategic assets whose disruption could significantly impact national stability. The National Security Operation Center (NSOC) serves as Indonesia’s central entity for cybersecurity operations, providing protection and response capabilities for CII. However, CII in Indonesia continues to face high levels of cyber threats and vulnerabilities, while the implementation of comprehensive vulnerability management practices remains limited. Furthermore, a dedicated framework governing the vulnerability management lifecycle within the NSOC context has yet to be established. This study proposes the National Security Operation Center–Vulnerability Management (NSOC-VM) framework to enhance the effectiveness of vulnerability management activities at the NSOC. The framework is structured using the Plan-Do-Check-Act (PDCA) methodology and incorporates implementation recommendations aligned with recognized cybersecurity standards. Validation was carried out through expert judgment involving ten professionals with expertise in CII protection, NSOC operations, and vulnerability management. The validated framework consists of four phases, ten key activities, and thirty-five implementation recommendations. The experts confirmed the framework’s applicability and relevance, indicating its potential to support NSOC operations in strengthening CII protection in Indonesia.
Perbandingan Algoritma XGBOOST Dan LSTM untuk Memprediksi Harga Bitcoin Berdasarkan Harga Harian, Sentimen, dan Google Trends Index Zundina Ulya, Fadilla; Khomsah, Siti; Annisa Ferani Tanjung, Nia
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

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

Abstract

Bitcoin merupakan salah satu jenis cryptocurrency yang banyak digunakan karena transaksinya yang aman, cepat, dan berpotensi memberikan keuntungan signifikan. Namun, volatilitas harga yang tinggi membuat aktivitas transaksi berisiko, karena pergerakan harga tidak hanya dipengaruhi oleh faktor internal, tetapi juga faktor eksternal seperti sentimen publik dan Google Trends Index (GTI). Penelitian ini bertujuan membandingkan algoritma XGBoost regression dan LSTM for regression dalam memprediksi harga penutupan bitcoin dengan mengintegrasikan variabel harga harian, sentiment, dan GTI ke dalam model regresi yang disesuaikan dengan karakteristik data penelitian, dimana data yang yang digunakan bersifat non-linear, tidak berdistribusi normal, dan mengandung unsur time series. Berdasarkan hasil pengujian, model XGBoost regression terbaik diperoleh pada skenario dengan variabel eksternal. Namun menghasilkan nilai RMSE sebesar 5169,898 USD dan R2-Score sebesar -13%, yang menunjukkan adanya overfitting dan model kurang tepat untuk data time series. Sebaliknya, model LSTM for regression dengan variabel eksternal dan kombinasi hyperparameter terbaik menunjukkan performa yang lebih unggul dengan RMSE sebesar 1378,55 USD dan R2-Score sebesar 92%. Model ini tidak menunjukkan indikasi overfitting dan mampu mereplikasi pola pergerakan harga secara akurat. Hal ini menunjukkan bahwa LSTM for regression lebih mampu mengenali pola temporal dalam data historis. Selain itu, fitur harga historis, khususnya Open teridentifikasi sebagai variabel paling dominan berdasarkan hasil analisis menggunakan metode SHAP.   Abstract Bitcoin is one type of cryptocurrency that is widely used because its transactions are safe, fast, and have the potential to provide significant profits. However, high price volatility makes transaction activities risky, because price movements are not only influenced by internal factors, but also external factors such as public sentiment and the Google Trends Index (GTI). This study aims to compare the XGBoost regression and LSTM for regression algorithms in predicting bitcoin closing prices by integrating daily price, sentiment, and GTI variables into a regression model that is adjusted to the characteristics of the research data, where the data used is non-linear, not normally distributed, and contains time series elements. Based on the test results, the best XGBoost regression model was obtained in the scenario with external variables. However, it produces an RMSE value of 5169.898 USD and an R2-Score of -13%, which indicates overfitting and the model is less appropriate for time series data. In contrast, the LSTM for regression model with external variables and the best combination of hyperparameters shows superior performance with an RMSE of 1378.55 USD and an R2-Score of 92%. This model does not show any indication of overfitting and is able to replicate price movement patterns accurately. This shows that LSTM for regression is better able to recognize temporal patterns in historical data. In addition, historical price features, especially Open, are identified as the most dominant variables based on the results of the analysis using the SHAP method.
Analisis Sentimen Terhadap Kebijakan SubsidiPembelian Kendaraan Bertenaga Listrik Di Indonesia Menggunakan Pendekatan Inset Lexicon dan Metode Support Vector Machine Pratiwi, Dian; Khoerani, Nurizka; Sari, Syandra
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

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

Abstract

Analisis sentimen berbasis leksikon merupakan metode yang umum digunakan untuk mengidentifikasi opini masyarakat terhadap isu-isu publik melalui media sosial. Penelitian ini membandingkan performa dua pendekatan leksikal, yaitu InSet lexicon dan Vader lexicon, dalam klasifikasi sentimen terhadap opini masyarakat mengenai kebijakan subsidi kendaraan listrik di Indonesia. Proses pelabelan sentimen dilakukan secara otomatis menggunakan masing-masing leksikon, kemudian diklasifikasikan menggunakan algoritma Support Vector Machine (SVM) dengan dua pendekatan representasi fitur, yaitu TF-IDF dan Word2Vec. Hasil klasifikasi menunjukkan bahwa InSet lexicon menghasilkan distribusi sentimen negatif yang dominan dengan akurasi klasifikasi sebesar 71%, sedangkan Vader lexicon lebih banyak mengidentifikasi sentimen positif dengan akurasi sebesar 64%. Evaluasi performa dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Selain itu, visualisasi wordcloud digunakan untuk mengidentifikasi kata-kata kunci yang paling sering muncul dalam opini masyarakat, seperti “pemerintah”, “BBM”, dan “subsidi”, yang secara leksikal bersifat netral namun dapat membentuk arah sentimen tergantung konteks kalimat. Penelitian ini menunjukkan bahwa pemilihan leksikon dan representasi fitur berpengaruh signifikan terhadap hasil klasifikasi, serta menegaskan pentingnya validasi pelabelan dan pengembangan leksikon berbasis domain dalam analisis sentimen kebijakan publik.   Abstract   Lexicon-based sentiment analysis is a commonly used method to identify public opinion on policy issues through social media. This study compares the performance of two lexical approaches, namely InSet lexicon and Vader lexicon, in classifying sentiment toward public responses to Indonesia’s electric vehicle subsidy policy. Sentiment labeling was performed automatically using each lexicon, followed by classification using the Support Vector Machine (SVM) algorithm with two feature representation techniques: TF-IDF and Word2Vec. The results show that InSet lexicon yielded a dominant distribution of negative sentiment with a classification accuracy of 71%, while Vader lexicon identified more positive sentiments with an accuracy of 64%. Performance evaluation was carried out using accuracy, precision, recall, and F1-score metrics. In addition, wordcloud visualization was used to identify the most frequently appearing keywords in public opinion, such as “pemerintah” (government), “BBM” (fuel), and “subsidi” (subsidy), which are lexically neutral but may carry sentiment depending on contextual use. This study highlights the significant impact of lexicon choice and feature representation on classification performance and emphasizes the importance of label validation and domain-specific lexicon development in sentiment analysis for public policy evaluation.
Analisis Optimasi Klasifikasi Citra Awan Berdasarkan Nilai Hyperparameter Pada Teachable Machine untuk Pengembangan Aplikasi Web Mobile Bendi, Muhammad Indra; Malahina, Edwin Ariesto Umbu
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

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

Abstract

Pengamatan cuaca menjadi aspek penting dalam berbagai bidang seperti meteorologi, penelitian lingkungan dan penerbangan. Identifikasi jenis awan memainkan peran kunci dalam memprediksi perubahan cuaca dan mengevaluasi dampak lingkungan. Tujuan dari penelitian ini adalah untuk mengembangkan sebuah aplikasi web mobile sistem cerdas yang mampu membantu masyarakat dalam mendeteksi jenis awan secara mandiri di sekitar, memberikan edukasi tentang jenis awan dan yang paling penting adalah mencari nilai optimasi hyperparameter epoch, batch size dan learning rate dalam Teachable Machine. Penelitian ini menggunakan nilai untuk parameter-parameter yang diteliti, yaitu nilai epoch yang bervariasi antara 10, 50, 100, 250, 750 dan 1000. Kemudian nilai batch size yang bervariasi antara 16, 32, 64, 128, 256 dan 512 serta learning rate yang bervariasi antara 0,00001; 0,0001; 0,001; 0,01; 0,1 dan 1. Total dataset sebanyak 4.000 sampel data latih (400 sampel dalam 10 kelas) digunakan dalam Teachable Machine. Metode yang digunakan adalah dengan memanfaatkan framework TensorFlow pada layanan Teachable Machine untuk melatih data citra atau gambar. Framework ini menyediakan algoritma Convolutional Neural Networks (CNN) yang dapat melakukan klasifikasi citra atau gambar dengan tingkat akurasi yang tinggi. Hasil pengujian menunjukkan bahwa nilai optimal tertinggi tercapai pada nilai epoch ke-50, dengan nilai batch size 16 dan learning rate 0,00001 yang menghasilkan tingkat akurasi antara 70% hingga 98%. Aplikasi web mobile ini diharapkan dapat diimplementasikan secara luas untuk kepentingan masyarakat agar mengenali jenis awan yang menyebabkan potensi hujan.   Abstract Weather observation is becoming an increasingly important aspect in various fields, such as Meteorology, Environmental Research, and aviation. The identification of cloud types plays a key role in predicting weather changes and evaluating environmental impacts. The purpose of this study is to develop a mobile web application intelligent system that is able to help people detect the type of cloud independently around, provide education about the type of cloud, and most importantly, find the value of optimization hyperparameter epoch, batch size and learning rate in Teachable Machine. This study uses the values for the parameters studied, namely the epoch values that vary between 10, 50, 100, 250, 750, and 1000. Then the value of batch size varies between 16, 32, 64, 128, 256, and 512, and the learning rate varies between 0.00001; 0.0001; 0.001; 0.01; 0.1, and 1. A total of 4,000 training data samples (400 samples per class) were used in the Teachable Machine. The method used is to utilize the TensorFlow framework in the Teachable Machine Service to train image or image data. This Framework provides Convolutional Neural Networks (CNN) algorithms that can classify images with a high degree of accuracy. The test results showed that the highest optimal value was reached at the 50th epoch value, with a batch size value of 16 and a learning rate of 0.00001 which resulted in an accuracy rate of 70% to 98%. This application is expected to be widely implemented for the benefit of the community in order to recognize the type of cloud that causes the potential for rain.
Analisis Kelelahan Otot pada Pengemudi Menggunakan Root Mean Square Slope Berbasis Sinyal Electromyogram Rava Athalla, Muhammad; Widasari, Edita Rosana
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

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

Abstract

Kelelahan otot pada pengemudi, terutama pada otot biceps brachii yang berperan penting dalam pengendalian setir kendaraan yang berpotensi menurunkan kestabilan dan konsentrasi gerak mikro saat berkendara jarak jauh atau dalam kondisi lalu lintas yang memaksa posisi statis. Sebagian besar sistem deteksi kelelahan berfokus pada citra wajah, mata, atau pola berkendara, sedangkan kajian terhadap kelelahan otot lokal masih jarang dilakukan. Penelitian ini memosisikan deteksi kelelahan otot sebagai lapisan komplementer, bukan pengganti untuk mendukung sistem deteksi kantuk dan kelelahan mental yang telah lebih banyak dikembangkan. Penelitian ini mengusulkan pendekatan berbasis sinyal electromyogram (EMG) dengan parameter Root Mean Square (RMS) Slope untuk mendeteksi kelelahan otot biceps brachii. Data EMG diperoleh dari lima subjek pria berusia 21–22 tahun menggunakan sensor Shimmer EMG selama simulasi mengemudi mobil penumpang dengan simulator PXN V900. Sinyal EMG direkam pada frekuensi sampling 1000 Hz, kemudian diproses melalui tahapan pra-pemrosesan dan penyaringan untuk meminimalkan noise. Hasil penelitian menunjukkan bahwa sinyal EMG yang terekam konsisten berada dalam rentang milivolt sesuai dengan spesifikasi sensor. Sistem deteksi kelelahan otot mencapai akurasi 75% melalui ekstraksi fitur RMS dan klasifikasi berbasis RMS Slope. Selain itu, sistem memiliki rata-rata waktu komputasi 0,080 second per jendela 1 detik, yang cukup cepat untuk pemantauan real-time. Dengan kemampuan ini, sistem menunjukkan potensi penerapan sebagai komponen tambahan dalam meningkatkan keselamatan berkendara.   Abstract Muscle fatigue in drivers, particularly in the biceps brachii which plays a key role in steering control, may compromise driving stability and fine-motor concentration during long trips or under traffic conditions requiring a static posture. Most existing fatigue detection systems focus on facial cues, eye movements, or driving patterns, while localized muscle fatigue has rarely been explored. This study positions muscle fatigue detection as a complementary layer, rather than a replacement, to support mental and drowsiness detection systems that have been more widely developed. An approach using electromyogram (EMG) signals and the Root Mean Square (RMS) Slope parameter is proposed to detect biceps brachii fatigue. EMG data were collected from five male subjects aged 21–22 years using Shimmer EMG sensors during passenger car driving simulations with a PXN V900 steering simulator. The signals were recorded at a 1000 Hz sampling rate and processed with pre-processing and filtering stages to minimize noise. Results show that the recorded EMG signals consistently remained within the millivolt range, in accordance with sensor specifications. The system achieved 75% detection accuracy through RMS feature extraction and RMS Slope classification. In addition, the average computation time was 0.080 per 1-second window, fast enough for real-time monitoring. These findings highlight the potential of integrating localized muscle fatigue detection as a complementary component to enhance driving safety.

Page 1 of 3 | Total Record : 25

 1   2   3 

Filter by Year

2025 2025


Reset
Filter By Issues
All Issue Vol 12 No 6: Desember 2025 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: April 2015 Vol 2, No 1 (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