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
Klasifikasi Rasa Buah Jeruk Pontianak (Citrus Nobilis Var. Microcarpa) Menggunakan Metode K-Cluster Classification Tree (K-CT) Tjen, Jimmy
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

Revolusi Industri 4.0 telah mendorong penggunaan teknologi di berbagai aspek kehidupan, seperti industri makanan, dengan konsep machine learning digunakan untuk mengidentifikasi kualitas dan rasa dari bahan makanan. Perkembangan teknologi ini mendorong pengembangan dari metode baru yang lebih efisien dalam waktu komputasi, namun memiliki kemampuan model prediktif yang akurat. Penelitian ini bertujuan untuk memperkenalkan sebuah metode ensemble baru yang mengkombinasikan metode classification tree (CT) dan metode k-means, yang disebut sebagai metode k-cluster classification tree atau k-CT. metode k-CT merupakan metode yang dirancang untuk mengefisiensikan waktu komputasi dari metode CT tanpa mengurangi kemampuan prediktif dari metode tersebut. Pada penelitian ini, metode k-CT divalidasi menggunakan data primer yang diambil dari pengamatan sifat fisik dari buah jeruk Pontianak. Dari 457 sampel data yang ada, 80% data digunakan untuk melatih model pohon, sedangkan 20% yang tersisa digunakan untuk memvalidasi kualitas prediksi dari model. Berdasarkan pada percobaan yang dilakukan, diperoleh 3 temuan. Pertama, metode k-CT dapat mengklasifikasikan rasa dari buah jeruk Pontianak dengan akurasi sebesar 92%. Hasil ini menunjukan bahwa metode k-CT memiliki performa model prediktif yang lebih baik jika dibandingkan dengan metode CT, random forest dan gradient boosting. Kedua, ditemukan bukti lemah secara statistik ( bahwa metode k-CT memiliki kompleksitas waktu yang lebih singkat daripada metode CT, sesuai dengan Lema yang dibuktikan. Ketiga, berdasarkan pada aturan jika – maka yang dibentuk oleh metode k-CT, diketahui bahwa warna jeruk bukanlah faktor dominan yang menentukan rasa dari buah jeruk, melainkan diameter buah jeruk yang merupakan faktor dominan untuk menentukan rasa buah jeruk.   Abstract   The Industrial Revolution 4.0 has driven the integration of technology into various aspects of life, including the food and beverage industry, where machine learning methods are employed to evaluate food quality and taste. Consequently, the development of efficient machine learning techniques that provide accurate predictions with reduced computational complexity has become increasingly important. This research introduces a novel classification tree (CT)-based algorithm, termed the k-cluster classification tree (k-CT). The k-CT enhances the CT method by offering faster computations while preserving its predictive accuracy. The proposed methodology was validated using a primary dataset comprising the physical properties of “jeruk Pontianak” (Citrus nobilis var. microcarpa) oranges. Of the 457 available samples, 80% were utilized for training the tree-based models, while the remaining 20% were reserved for validating predictive accuracy. The experiments yielded three key findings. First, the k-CT achieved an accuracy of 92% in classifying the taste of “jeruk Pontianak,” outperforming CT, random forest, and gradient boosting methods. Second, there is weak evidence (α < 0.1) suggesting that the k-CT performs faster than the CT method. Lastly, based on the if-then rules derived from the k-CT tree structure, it was observed that the skin color of “jeruk Pontianak” does not significantly influence its taste. Instead, the diameter of the fruit has a strong impact on its taste.
Pengembangan Media Pembelajaran Berbasis Augmented Reality Materi Sistem Tata Surya untuk Meningkatkan Hasil Belajar Siswa Fatchurohman; Anggriawan Nugroho, Dicky
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

Penggunaan media augmented reality sangat cocok digunakan pada Pembelajaran IPA materi Sistem Tata Surya dan memberikan potensi untuk meningkatkan pemahaman siswa tentang konsep tata surya. Tujuan penelitian ini adalah mengembangkan media berbasis augmented reality guna meningkatkan hasil belajar siswa kelas VI MSI 08 Medono Pekalongan. Penelitian ini menggunakan tahapan penelitian dan pengembangan (R&D) ADDIE (Analisis, Desain, Pengembangan, Implementasi, Evaluasi). Subjek penelitian berjumlah 34 siswa. Pada kategori layak, hasil uji ahli media menunjukkan skor sebesar 75% dan 78%. Kategori sangat praktis pada angket mempunyai skor 88%. Dengan rata-rata skor N-Gain sebesar 0,56 pada kelompok sedang, hasil pretest dan posttest menunjukkan peningkatan yang cukup besar. Hasil ini menunjukkan pentingnya meningkatkan hasil belajar siswa secara efektif dan mengajarkan Ilmu Tata Surya dengan media berbasis AR. Temuan ini menunjukkan bahwa materi pembelajaran augmented reality terkait tata surya layak digunakan di kelas dan dapat meningkatkan hasil belajar siswa kelas VI MSI 08 Medono Pekalongan.   Abctract The use of augmented reality media is very suitable for use in science learning on Solar System material and provides the potential to increase students' understanding of the concept of the solar system. The aim of this research is to develop augmented reality-based media to improve the learning outcomes of class VI students at MSI 08 Medono Pekalongan. This research uses the ADDIE research and development (R&D) stages (Analysis, Design, Development, Implementation, Evaluation). The research subjects were 34 students. In the feasible category, the media expert test results showed scores of 75% and 78%.  The very practical category on the questionnaire had an 88% score.  With an average N-Gain score of 0.56 in the medium group, the pretest and posttest results demonstrated a considerable gain.  These results demonstrate the importance of effectively enhancing student learning outcomes and teaching Solar System Science with AR-based media.  These findings suggest that solar system-related augmented reality learning materials are appropriate for use in the classroom and can enhance the learning outcomes of MSI 08 Medono Pekalongan class VI pupils.
Analisis BERT-CNN untuk Klasifikasi Multi-Label Diskusi Keagamaan dan Asosiasi dengan Al-Qur’an dan Hadits Saputra, Candra Heru; Suhirman
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

Penelitian ini menerapkan Natural Language Processing (NLP) dengan Bidirectional Encoder Representations from Transformers (BERT) yang dikombinasikan dengan Convolutional Neural Network (CNN) untuk klasifikasi multi-label diskusi keagamaan serta mengasosiasikannya dengan ayat Al-Qur’an dan Hadits. Dataset yang digunakan berasal dari diskusi keagamaan dan pertanyaan jamaah kepada ustaz yang diunggah di berbagai platform digital, seperti YouTube, Facebook, Instagram, dan situs web. Model NLP berbasis BERT digunakan untuk merepresentasikan teks secara kontekstual, sementara CNN digunakan untuk mengekstraksi fitur dan melakukan klasifikasi multi-label. Eksperimen dilakukan untuk mengeksplorasi kombinasi parameter dan pendekatan preprocessing teks guna meningkatkan akurasi klasifikasi. Hasil menunjukkan bahwa tuning hyperparameter meningkatkan F1-Score pada konfigurasi parameter ke-2 (E2) dari 0.7046 menjadi 0.7789 dan pada konfigurasi parameter ke-5 (E5) dari 0.7073 menjadi 0.7734, serta menurunkan Hamming Loss, yang mengindikasikan peningkatan akurasi prediksi label. Threshold 0.40 ditemukan sebagai nilai optimal untuk keseimbangan Precision dan Recall, yang berkontribusi terhadap peningkatan Subset Accuracy. Penelitian ini diharapkan dapat berkontribusi dalam pengembangan teknologi NLP berbasis bahasa Indonesia untuk klasifikasi multi-label teks keagamaan serta membuka peluang penerapan dalam aplikasi kecerdasan buatan guna meningkatkan akses informasi keagamaan secara cepat dan akurat.   Abstract This study applies Natural Language Processing (NLP) using Bidirectional Encoder Representations from Transformers (BERT) combined with Convolutional Neural Networks (CNN) for multi-label classification of religious discussions and their association with verses of the Qur’an and Hadith. The dataset was obtained from religious discussions and congregants’ questions addressed to ustaz, collected from various digital platforms such as YouTube, Facebook, Instagram, and websites. The BERT-based NLP model was employed to represent text contextually, while CNN was used to extract features and perform multi-label classification. Experiments were conducted to explore parameter combinations and text preprocessing approaches to improve classification accuracy. The results show that hyperparameter tuning increased the F1-Score in the second parameter configuration (E2) from 0.7046 to 0.7789 and in the fifth configuration (E5) from 0.7073 to 0.7734, while reducing the Hamming Loss, indicating an improvement in label prediction accuracy. A threshold of 0.40 was found to be the optimal value for balancing Precision and Recall, contributing to an increase in Subset Accuracy. This research is expected to contribute to the development of Indonesian-language NLP technology for multi-label classification of religious texts and to open opportunities for practical applications in artificial intelligence systems to enhance rapid and accurate access to religious information.
Pengembangan Model Hybrid Arima-Machine Learning untuk Prediksi Harga Saham BCA Dwi Kurniawan, Prabowo; Dwi Surjono, Herman; Jati, Handaru
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

Penelitian ini bertujuan untuk menganalisis kinerja metode hybrid antara algoritma machine learning dan model ARIMA dalam memprediksi harga saham Bank BCA selama lima tahun terakhir. Data yang digunakan berasal dari saham Bank BCA periode 13 November 2019 hingga 12 November 2024, diperoleh melalui Yahoo Finance. Dataset ini terdiri dari 1210 record dengan tujuh variabel: Date, Open, Close, High, Low, Volume, dan Adj Close. Pengujian dilakukan memodelkan data linier menggunakan ARIMA, kemudian memprediksi residual menggunakan algoritma machine learning yaitu KNN, Naïve Bayes, Logistic Regression, SVM, Random Forest, dan Gradient Boost. Selanjutnya Prediksi Akhir didapatkan dari penjumlahan Prediksi ARIMA dengan Prediksi Residual oleh Machine Learning. Hasil evaluasi menunjukkan bahwa model hybrid ARIMA–SVM memberikan performa terbaik dengan nilai MSE sebesar 13.341,72, MAE sebesar 89,69, dan MAPE sebesar 0,9078%. Model ini juga memiliki nilai korelasi (R) tertinggi sebesar 0,9785. Sementara itu, model ARIMA–Gradient Boosting juga menunjukkan performa yang kompetitif dengan MSE sebesar 14.126,60 dan MAPE sebesar 0,9434%. Temuan ini menunjukkan bahwa pendekatan hybrid efektif dalam meningkatkan akurasi dan kestabilan prediksi saham, serta dapat dijadikan alternatif yang unggul dalam analisis pasar keuangan berbasis data historis.   Abstract This study aims to analyze the performance of a hybrid method combining machine learning algorithms and the ARIMA model in predicting the stock prices of Bank BCA over the past five years. The data used were obtained from Yahoo Finance, covering the period from November 13, 2019, to November 12, 2024. The dataset consists of 1,210 records and includes seven variables: Date, Open, Close, High, Low, Volume, and Adjusted Close. The testing procedure involved modeling the linear component of the data using ARIMA, followed by predicting the residuals with machine learning algorithms, namely K-Nearest Neighbors (KNN), Naïve Bayes, Logistic Regression, Support Vector Machine (SVM), Random Forest, and Gradient Boosting. The final prediction was obtained by summing the ARIMA forecast with the residual predictions from the machine learning models. Evaluation results show that the hybrid ARIMA–SVM model delivered the best performance with an MSE of 13,341.72, MAE of 89.69, and MAPE of 0.9078%, along with the highest correlation (R) value of 0.9785. The ARIMA–Gradient Boosting model also demonstrated competitive performance with an MSE of 14,126.60 and a MAPE of 0.9434%. These findings indicate that the hybrid approach is effective in enhancing the accuracy and stability of stock price predictions and can serve as a promising alternative in historical data-based financial market analysis.
Multi-Criteria Decision Making dalam Seleksi Fitur Ensemble untuk Prediksi Cacat Perangkat Lunak Fikri, Muhammad; Herteno, Rudy; Adi Nugroho, Radityo; Wahyu Saputro, Setyo; Abadi, Friska
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

Prediksi cacat perangkat lunak merupakan upaya strategis dalam meningkatkan kualitas produk melalui identifikasi dini modul yang berpotensi cacat. Kinerja prediksi dipengaruhi oleh pemilihan fitur, karena informasi yang berlebihan dan tidak relevan dapat mempengaruhi kualitas pembelajaran model. Seleksi fitur ensemble dinilai efektif dalam menyeleksi fitur yang relevan dengan menggabungkan beberapa metode seleksi fitur berbasis filter. Diperlukan mekanisme integrasi untuk menyatukan hasil dari empat teknik filter—Mutual Information, Fisher Score, Uncertainty dan Relief. Penelitian ini membandingkan empat metode Multi‑Criteria Decision Making—TOPSIS, VIKOR, EDAS, dan WASPAS—yang bekerja dengan merangking nilai relevansi fitur hasil seleksi filter tersebut. Sepuluh fitur teratas dari tiap metode kemudian dievaluasi menggunakan model Random Forest dengan metrik AUC melalui K‑Fold cross‑validation. Dari 12 dataset NASA MDP yang diuji, TOPSIS menunjukkan kinerja paling konsisten dan terbaik dengan nilai rata-rata AUC sebesar 0,8038. Temuan ini menegaskan pentingnya pemilihan metode integrasi yang tepat dalam meningkatkan akurasi prediksi cacat perangkat lunak dan memberikan panduan bagi pengembangan model yang lebih efektif.   Abstract Software defect prediction is a strategic effort to improve product quality through early identification of potentially defective modules. Prediction performance is influenced by feature selection, because redundant and irrelevant information can affect the quality of model learning. Ensemble feature selection is considered effective in selecting relevant features by combining several filter-based feature selection methods. An integration mechanism is needed to unify the results of four filter techniques—Mutual Information, Fisher Score, Uncertainty and Relief. This study compares four Multi-Criteria Decision Making methods—TOPSIS, VIKOR, EDAS, and WASPAS—which work by ranking the relevance values ​​of the filter-selected features. The top ten features from each method are then evaluated using the Random Forest model with the AUC metric through K-Fold cross-validation. Of the 12 NASA MDP datasets tested, TOPSIS showed the most consistent and best performance with an average AUC value of 0.8038. These findings emphasize the importance of choosing the right integration method in improving the accuracy of software defect prediction and provide guidance for the development of more effective models.
Analisis Sentimen Pasien terhadap Layanan Antarmedika Dentalcare Menggunakan Metode XGBoost Ahana Vidiantara, Iko Raga; Yanuarti, Rosita; Setya Rintyarna, Bagus
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

Pelayanan kesehatan yang berkualitas menjadi faktor utama dalam kepuasan pasien, sebagaimana diatur dalam Peraturan Menteri Kesehatan Republik Indonesia Nomor 4 Tahun 2019 tentang Standar Pelayanan Minimal (SPM). Dalam upaya meningkatkan kualitas layanan, Praktek Mandiri Bersama Antarmedika Dentalcare menerapkan analisis sentimen berbasis data terhadap ulasan pasien yang diperoleh dari Google Maps, media sosial, dan Survei Kepuasan Pasien (SKP). Penelitian ini menggunakan algoritma Extreme Gradient Boosting (XGBoost) dengan pendekatan pembobotan Term Frequency-Inverse Document Frequency (TF-IDF) untuk mengklasifikasikan 500 ulasan pasien ke dalam dua kategori sentimen, yaitu positif dan negatif. Hasil pengujian menunjukkan bahwa model mencapai akurasi sebesar 96%, presisi 96%, dan recall 98%. Dibandingkan dengan studi terdahulu, kontribusi utama dari penelitian ini terletak pada pengembangan sistem klasifikasi otomatis berbasis web yang dapat diintegrasikan langsung ke dalam proses evaluasi layanan. Sistem ini memungkinkan manajemen klinik untuk melakukan analisis sentimen dalam mengambil keputusan berbasis data dalam rangka meningkatkan kepuasan serta kualitas layanan kesehatan gigi secara berkelanjutan.   Abstract Quality healthcare services are a key factor in ensuring patient satisfaction, as stipulated in the Indonesian Ministry of Health Regulation No. 4 of 2019 concerning Minimum Service Standards (SPM). In an effort to improve service quality, Praktek Mandiri Bersama Antarmedika Dentalcare applies data-driven sentiment analysis to patient reviews obtained from Google Maps, social media, and Patient Satisfaction Surveys (SKP). This study employs the Extreme Gradient Boosting (XGBoost) algorithm with Term Frequency-Inverse Document Frequency (TF-IDF) word weighting to classify 500 patient reviews into positive and negative sentiment categories. The model achieved an accuracy of 96%, with a precision of 0.96 and a recall of 0.98. Compared to previous studies, the main contribution of this research lies in the development of an automated web-based sentiment classification system that can be directly integrated into the clinic’s service evaluation processes. This system enables the clinic management to perform real-time sentiment analysis and make data-driven decisions aimed at continuously improving customer satisfaction and the quality of dental healthcare services.
Prediksi Penyaluran Obat Kandungan Misoprostol dengan Metode Temporal Convolutional Networks Ramadani, Nurmalita; Idhom, Mohammad; Trimono
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

Aborsi ilegal di Indonesia masih menjadi permasalahan serius, terutama dengan maraknya penggunaan misoprostol yang diperjualbelikan secara ilegal. Indonesia mencatat sekitar 1,7 juta kasus aborsi per tahun, dengan 42,5 dari setiap 1.000 wanita usia subur di Pulau Jawa terlibat dalam praktik ini. Berdasarkan laporan kasus, penyalahgunaan misoprostol dapat menyebabkan komplikasi serius seperti hipertermia, hipoksia, hingga kematian akibat kegagalan multiorgan. Selain itu, ditemukan bahwa 73% obat aborsi yang dijual online mengandung misoprostol, dan lebih dari 300.000 situs penjual obat ilegal telah diblokir oleh Kementerian Komunikasi dan Informasi. Salah satu celah yang mempermudah penyalahgunaan adalah belum adanya regulasi batas kuantitas penyaluran obat tersebut. Penelitian ini menerapkan model Temporal Convolutional Networks (TCN) untuk memprediksi pola penyaluran obat misoprostol menggunakan data primer dari BPOM dengan periode 2021-2024. Hasil evaluasi menunjukkan bahwa TCN secara konsisten lebih unggul dibandingkan LSTM pada semua panjang input. TCN mencatat rata-rata penurunan NMAE sebesar 85% dan NMSE sebesar 68% dibandingkan LSTM. Pendekatan berbasis TCN ini diharapkan dapat membantu otoritas dalam meningkatkan pengawasan distribusi obat serta mendukung kebijakan pengendalian misoprostol agar tidak disalahgunakan.   Abstract Illegal abortion in Indonesia remains a serious problem, especially with the widespread use of misoprostol, which is sold illegally. Indonesia records around 1.7 million abortion cases per year, with 42.5 out of every 1,000 women of childbearing age on the island of Java involved in this practice. According to case reports, the misuse of misoprostol can lead to serious complications such as hyperthermia, hypoxia, and even death due to multi-organ failure. Additionally, it was found that 73% of abortion drugs sold online contain misoprostol, and over 300,000 illegal drug-selling websites have been blocked by the Ministry of Communication and Information. One loophole that facilitates misuse is the lack of regulations on the quantity of the drug's distribution. This study applied the Temporal Convolutional Networks (TCN) model to predict the distribution patterns of misoprostol using primary data from the Indonesian Food and Drug Administration (BPOM) for the period 2021-2024. Evaluation results show that TCN consistently outperforms LSTM across all input lengths. TCN achieves an average reduction of 85% in NMAE and 68% in NMSE compared to LSTM. This TCN-based approach is expected to assist authorities in enhancing drug distribution oversight and supporting misoprostol control policies to prevent misuse.
Implementasi XGboost dan Support Vector Regression dalam Prediksi Harga Emas dengan Bayesian Optimization Alfa, Aniysah Fauziyyah; Prasetya, Dwi Arman; Sugiarto, Sugiarto
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

Harga emas menunjukkan tren peningkatan sepanjang waktu yang dipengaruhi oleh berbagai faktor spesifik. Prediksi harga emas memainkan peran penting dalam pengambilan keputusan keuangan. Namun, fluktuasi harga yang dipengaruhi oleh faktor makroekonomi menghadirkan tantangan tersendiri dalam proses peramalan, terutama bagi investor dan pelaku pasar. Penelitian ini membahas kebutuhan model prediksi harga emas yang tepat dalam lingkungan ekonomi Indonesia dengan mengintegrasikan Bayesian Optimization pada algoritma XGBoost dan Support Vector Regression (SVR) untuk meningkatkan akurasi prediksi berdasarkan data inflasi dan suku bunga. Metode yang digunakan meliputi pra-pemrosesan data, rekayasa fitur (feature engineering), pembuatan model dan Bayesian Optimization untuk tuning hyperparameter, dengan evaluasi model menggunakan metrik MAE, RMSE, dan MAPE. Hasil menunjukkan performa luar biasa dari kedua model dengan nilai R² melebihi 0,9992. Model XGBoost lebih unggul dengan MAPE sangat rendah sebesar 0,18% dibandingkan SVR sebesar 0,36%. Analisis menunjukkan bahwa Bayesian Optimization berhasil meningkatkan akurasi model dengan menemukan parameter optimal. Fitur tambahan seperti lag dan moving average terbukti efektif dalam merepresentasikan pola historis harga. Penelitian ini memberikan manfaat untuk pengambilan keputusan yang berharga bagi investor dan pembuat kebijakan dalam merumuskan strategi investasi emas di tengah ketidakpastian ekonomi.   Abstract Gold prices show an upward trend over time influenced by various specific factors. Gold price prediction plays an important role in financial decision making. However, price fluctuations influenced by macroeconomic factors present their own challenges in the forecasting process, especially for investors and market players. This study discusses the need for an appropriate gold price prediction model in the Indonesian economic environment by integrating Bayesian Optimization on the XGBoost algorithm and Support Vector Regression (SVR) to improve prediction accuracy based on inflation and interest rate data. The methods used include data pre-processing, feature engineering, model building and Bayesian Optimization for hyperparameter tuning, with model evaluation using MAE, RMSE, and MAPE metrics. The results show excellent performance of both models with R² values ​​exceeding 0.9992. The XGBoost model is superior with a very low MAPE of 0.18% compared to SVR of 0.36%. The analysis shows that Bayesian Optimization successfully improves model accuracy by finding optimal parameters. Additional features such as lag and moving averages prove effective in representing historical price patterns. This research provides valuable decision-making benefits for investors and policy makers in formulating gold investment strategies amid economic uncertainty.
Pengembangan Aplikasi Laporan Klaim Berdasarkan Poli pada Sistem INA-CBG’S Menggunakan Metode RAD di RS X Makaminan, Desviani; Sali Setiatin; Falaah Abdussalaam
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

Bidang rekam medis sudah memulai pemerataan rekam medis elektronik yang merupakan sebuah bagian dari perubahan era digital yang lebih luas, dan bertujuan untuk meningkatkan efisiensi, keamanan, dan kualitas pelayanan kesehatan. Saat ini beredar isu defisit BPJS Kesehatan dengan klaim yang melebihi daripada pemasukan iuran, dan diperkirakan berpotensi menyebabkan gagal bayar klaim pada beberapa tahun yang akan datang. Oleh karena itu pelaporan klaim berdasarkan poli ini dapat diharapkan membantu rumah sakit untuk meninjau data atau laporan klaim secara lebih terperinci sehingga dapat mendeteksi jika ada ketidaksesuaian atau potensi fraud lebih awal. Aplikasi laporan klaim ini dibangun berbasis WEB dengan Visual Studio Code dan XAMPP menggunakan metode pengembangan Rapid Application Development (RAD) guna mempercepat pengembangan aplikasi laporan yang efisien. Hasil dari penelitian ini merupakan suatu Aplikasi Laporan Klaim Berdasarkan Poli yang dirancang untuk mempermudah sistem yang digunakan oleh rumah sakit dalam meninjau data klaim agar dapat dilakukan secara lebih spesifik dan mudah diakses.     Abstract The medical records sector has begun the standardization of electronic medical records, which is part of a broader digital transformation aimed at improving the efficiency, security, and quality of healthcare services. Currently, there are concerns about a deficit in the BPJS Kesehatan (Health Care and Social Security Agency) with claims exceeding premium income, which is expected to potentially cause claim defaults in the coming years. Therefore, claim reporting based on this polyclinic can be expected to help hospitals review claim data or reports in more detail so that they can detect any discrepancies or potential fraud earlier This claim report application was developed based on WEB with Visual Studio Code and XAMPP using the Rapid Application Development (RAD) method to accelerate the development of an efficient report application. The result of this research is a Polyclinic Based Claim Report Application designed to simplify the system used by hospitals in reviewing claim data so that it can be done more specifically and easily accessible.
Faktor-Faktor yang Mempengaruhi Penerapan Sistem Informasi Manajemen Perhotelan dengan Pendekatan Model Continuance  Intention yang Dimodifikasi Wikantara, Agung Gede; Sukarharsono, Eko Ganis; Prihatiningtias, Yeney Widya
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

Keputusan dari Sistem Informasi Manajemen (SIM) hotel dengan mengadopsi Cloud Computing (CC) telah menjadi teknologi kunci yang mendukung keberlangsungan operasional bisnis, terutama di sektor perhotelan yang terdampak signifikan kemajuan teknologi saat ini. Penelitian ini bertujuan menganalisis faktor yang mempengaruhi kesuksesan dalam penerapan CC dengan menggunakan pendekatan Information System Success Model (ISSM) yang dimodifikasi dan Continuance Intention Model (CI). Variabel yang dianalisis mencakup Kualitas Sistem (KS), Kualitas Informasi (KI), Kualitas Layanan (KL), Kepuasan Pengguna (KP), Trust, Perceived Usefulness (PU) dan CI. Studi ini mengambil fokus pada sektor perhotelan di Indonesia, yang masih menunjukkan tingkat adopsi CC yang relatif rendah. Metode penelitian menggunakan pendekatan paradigma positivistik dengan penyebaran kuesioner kepada pengguna CC di sektor perhotelan. Hasil dari studi ini adalah memberikan pemahaman empiris mengenai bagaimana faktor-faktor tersebut mempengaruhi pengguna untuk terus menggunakan CC, serta bagaimana trust menjadi faktor penting dan paling  dominan serta signifikan dalam memperkuat hubungan antara KS, informasi, dan layanan terhadap  KP dan CI. Ketiga kualitas (KS, KI, dan KL) belum berpengaruh terhadap KP. Hasi ini diharapkan memberikan kontribusi teoretis dalam pengembangan model ISSM dan CI yang belum banyak diteliti di sektor perhotelan, serta kontribusi praktis dalam memberikan rekomendasi kepada pelaku bisnis dan vendor cloud untuk meningkatkan KL dan trust pengguna dalam konteks digitalisasi sektor perhotelan.   Abstract The decision to adopt Cloud Computing (CC) in hotel Management Information Systems (MIS) has become a key technology supporting business continuity, especially in the hospitality sector, which has been significantly impacted by current technological advances. This study aims to analyze the factors influencing the success of CC implementation using a modified Information System Success Model (ISSM) and Continuance Intention Model (CI) approach. The variables analyzed include System Quality (SQ), Information Quality (IQ), Service Quality (SQ), User Satisfaction (US), Trust, Perceived Usefulness (PU), and CI. This study focuses on the hospitality sector in Indonesia, which still shows relatively low levels of CC adoption. The research method uses a positivistic paradigm approach with the distribution of questionnaires to CC users in the hospitality sector. The results of this study provide empirical understanding of how these factors influence users to continue using CC, as well as how trust becomes the most important and dominant factor in strengthening the relationship between KS, information, and service toward KP and CI. The three qualities (KS, KI, and KL) have not yet influenced KP. These results are expected to contribute theoretically to the development of the ISSM and CI models, which have not been extensively studied in the hospitality sector. This result is expected to make a theoretical contribution in the development of the ISSM and CI models, as well as a practical contribution in providing recommendations to business people and cloud vendors to increase KL and user trust in the context of digitization of the hospitality sector.

Page 2 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