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 13 No 1: Februari 2026" : 25 Documents clear
Evaluasi dan Perbaikan Desain Antarmuka Pada Aplikasi Android Menggunakan Metode User Experience Questionnaire, Usability Testing, dan Human Centered Design (Studi Kasus: Gunung Harta Transport Solutions) Briantama Setyanto, Fito; Adams Jonemaro, Eriq Muhammad; Tri Ananta, Mahardeka
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 1: Februari 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026131

Abstract

Moda transportasi bus merupakan moda yang marak digunakan oleh masyarakat karena biayanya yang relatif lebih murah daripada moda transportasi lain. Gunung Harta Transport Solutions (GHTS) merupakan sebuah perusahaan bus yang berlokasi Kota Malang. Evaluasi dilaksanakan pada aplikasi GHTS milik perusahaan ini karena ditemukan desain yang tidak sesuai dengan 10 prinsip heuristic. Evaluasi dilakukan menggunakan metode usability testing, SUS, dan UEQ yang dilakukan di website Maze dan pembagian kuisioner. Usability testing dilakukan untuk menghitung 3 aspek, yaitu effectiveness menggunakan completion rate, efficiency menggunakan time based efficiency, dan satisfaction menggunakan SUS. Sedangkan pada UEQ terdapat 6 skala yang dinilai yaitu attractiveness, perspicuity, efficiency, dependability, stimulation, dan novelty. Pada hasil evaluasi desain awal didapatkan nilai pada aspek effectiveness dengan angka 99,2%, aspek efficiency dengan angka 0,064 goals/sec, dan aspek satisfaction mendapat rata-rata 39,5 dengan kelas F atau “Poor”. Sedangkan pada aspek UEQ didapatkan benchmark dengan predikat “Bad” di keenam skala yang dinilai. Desain perbaikan dirancang guna meningkatkan hasil evaluasi desain awal dan didapatkan peningkatan di segala aspek yang dinilai. Aspek effectiveness mendapatkan angka 100%, aspek efficiency mendapat angka 0,109 goals/sec, dan aspek satisfaction mendapat rata-rata 87,625 dengan kelas “B” atau “Excellent”. Ditambah pada aspek UEQ terjadi peningkatan yang sangat signifikan yang dimana mendapatkan benchmark dari rata-ratanya adalah “Excellent” di keenam aspek.   Abstract Bus transportation is a widely used mode of travel due to its relatively lower cost compared to other modes of transportation. Gunung Harta Transport Solutions (GHTS) is a bus company located in the city of Malang. An evaluation was conducted on the GHTS application due to identified design discrepancies with the 10 heuristic principles. The evaluation utilized usability testing, SUS, and UEQ methods on the Maze website, along with the distribution of questionnaires. Usability testing aimed to calculate three aspects: effectiveness using completion rate, efficiency using time-based efficiency, and satisfaction using SUS. Meanwhile, in the UEQ there are 6 scales that are assessed, namely attractiveness, perspicuity, efficiency, dependability, stimulation, and novelty. In the initial design evaluation, effectiveness scored 99.2%, efficiency scored 0.064 goals/second, and satisfaction averaged 39.5 with a grade of F or "Poor." Meanwhile, the UEQ aspect received a benchmark rating of "Bad" across all six scales evaluated. Improvement designs were implemented to enhance the initial design evaluation results, resulting in improvements in all evaluated aspects. Effectiveness scored 100%, efficiency scored 0.109 goals/second, and satisfaction averaged 87.625 with a grade of B or "Excellent." Additionally, there was a significant increase in UEQ aspects, achieving an "Excellent" benchmark across all six scales.
Perbandingan Metode K-Nearest Neighbor dan Artificial Neural Network untuk Klasifikasi Indeks Pembangunan Manusia Widayanti, Rahayu; Husni, Mochamad; Maknunah, Jauharul; Widyadhana Putri , Garwita
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 1: Februari 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026131

Abstract

Indeks Pembangunan Manusia (IPM) adalah pengukuran perbandingan standar hidup, harapan hidup, dan pendidikan di semua negara. IPM digunakan sebagai indikator untuk menilai aspek kualitas pembangunan, mengklasifikasikan negara, dan mengukur pengaruh kebijakan ekonomi terhadap kualitas hidup. IPM adalah data strategis karena selain digunakan sebagai ukuran kinerja pemerintah, juga digunakan sebagai alokator penentuan Dana Alokasi Umum (DAU). Pengukuran Indeks pembangunan manusia sangat penting bagi pemerintah, karena digunakan sebagai pendukung keputusan perencanaan pembangunan manusia di suatu wilayah. Oleh karena itu pemilihan metode pengukuran IPM yang memiliki akurasi tinggi sangat penting, agar keputusan perencanaan pembangunan manusia menjadi efektif dan tepat sasaran. Tujuan penelitian ini adalah membandingkan akurasi dari metode K-Nearest Neighbor dan Artificial Neural Network untuk klasifikasi IPM menggunakan data kabupaten dan kota di Pulau Jawa. Hasil penelitian menunjukkan bahwa metode K-Nearest Neighbor menggunakan 80%-20% data training dan testing, pada nilai K=7 menunjukkan tingkat akurasi sebesar 95,83%, sedangkan pada metode Artificial Neural Network dengan pembagian data 70%-30% menghasilkan tingkat akurasi sebesar 94,44%. Berdasarkan perbandingan tersebut Metode K-Nearest Neighbor mempunyai akurasi yang lebih baik dibandingkan metode Artificial Neural Network. Namun evaluasi menggunakan  Fold Cross Validation, dengan nilai K=3, pada metode K-Nearest Neighbor menunjukkan akurasi terbaik sebesar 84,85%, sedangkan pada metode Artificial Neural Network terdapat overfitting sehingga hasil kurang baik. Penerapan metode KNN dan ANN pada klasifikasi IPM kabupaten/kota di Pulau Jawa menunjukkan bahwa antara kedua metode memiliki kelemahan, dimana pada pembagian data dengan nilai akurasi tertinggi, bukan merupakan model terbaik. Pada kedua metode dengan tingkat akurasi yang tertinggi, berdasarkan Fold Cross Validation bukan merupakan model terbaik, sehingga dapat disimpulkan bahwa kedua metode tersebut tidak lebih baik dari yang lain.   Abstract The Human Development Index (HDI) is a comparative measure of living standards, life expectancy, and education across countries. The HDI is used as an indicator to assess aspects of development quality, classify countries, and measure the impact of economic policies on quality of life. The HDI is strategic data because in addition to being used as a measure of government performance, it is also used as an allocator for determining the General Allocation Fund (DAU). Measuring the Human Development Index is very important for the government, because it is used to support decisions on human development planning in a region. Therefore, choosing a high-accuracy HDI measurement method is very important, so that human development planning decisions are effective and on target. The purpose of this study was to compare the accuracy of the K-Nearest Neighbor method and Artificial Neural Network for HDI classification using district and city data in Java. The results showed that the K-Nearest Neighbor method used 80%-20% training and testing data, at a value of K = 7 showed an accuracy level of 95.83%, while the Artificial Neural Network method with a data division of 70%-30% produced an accuracy level of 94.44%. Based on the comparison, the K-Nearest Neighbor method has better accuracy than the Artificial Neural Network method. However, the evaluation using Fold Cross Validation, with a value of K = 3, in the K-Nearest Neighbor method shows the best accuracy of 84.85%, while in the Artificial Neural Network method there is overfitting so that the results are not good. The application of the KNN and ANN methods to the classification of the HDI of districts/cities in Java shows that both methods have weaknesses, such that the model with the highest accuracy in data distribution is not the best model. In both methods with the highest level of accuracy, based on Fold Cross Validation, it is not the best model, so it can be concluded that the two methods are not better than the others.
Deteksi Bahasa Isyarat SIBI Secara Real Time Menggunakan Mediapipe Holistic dan LSTM Wisudawati, Lulu mawaddah; Alhadar, Ahmad Muhamad Salim
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 1: Februari 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026131

Abstract

Bahasa isyarat merupakan sistem komunikasi non-verbal yang memanfaatkan gerakan tangan, ekspresi wajah, dan pose tubuh untuk menyampaikan informasi secara visual. Meskipun umum digunakan oleh penyandang tunarungu dan tunawicara, bahasa isyarat masih belum dipahami secara luas oleh masyarakat umum, sehingga menimbulkan hambatan komunikasi dalam kehidupan sehari-hari. Untuk mendukung interaksi yang inklusif, SIBI (Sistem Isyarat Bahasa Indonesia) telah distandarisasi secara nasional sebagai bentuk bahasa isyarat formal di Indonesia. Seiring dengan kemajuan teknologi kecerdasan buatan, sistem penerjemahan bahasa isyarat berbasis penglihatan komputer (computer vision) menjadi solusi potensial untuk menjembatani kesenjangan komunikasi tersebut. Penelitian ini bertujuan mengembangkan sistem pengenalan SIBI secara real-time menggunakan MediaPipe Holistic untuk mendeteksi titik kunci (keypoints) pada tangan, wajah, dan pose secara simultan, yang kemudian dikonversi menjadi suara melalui teknologi text-to-speech. Tahapan pra-pemrosesan mencakup pembersihan data (data cleaning), pemotongan gambar (cropping), penghapusan latar belakang (background removal), dan konversi ke citra skala keabuan (convert to grayscale). Dataset yang digunakan terdiri dari 4.500 urutan gambar untuk 10 kata SIBI. Model Bi-directional LSTM digunakan untuk mengklasifikasikan pola spasial-temporal dari gestur. Hasil evaluasi menunjukkan akurasi klasifikasi sebesar 97,78% pada epoch ke-200, dengan precision, recall, dan F1-score masing-masing mencapai 98%. Pengujian pada lima variasi jarak menunjukkan bahwa deteksi optimal terjadi pada rentang 0,29 hingga 0,37 meter. Sistem ini berpotensi menjadi alat bantu komunikasi efektif bagi penyandang tunarungu dan tunawicara, serta dapat dikembangkan lebih lanjut sebagai fondasi aplikasi interaktif berbasis bahasa isyarat di masa depan.   Abstract Sign language is a non-verbal communication system that utilizes hand gestures, facial expressions, and body pose to visually convey information. Although commonly used by Deaf and speech-impaired individuals, it remains poorly understood by the general public, resulting in communication barriers in daily life. To support inclusive interaction, SIBI (Sistem Isyarat Bahasa Indonesia) has been nationally standardized as the formal sign language in Indonesia. With the advancement of artificial intelligence, computer vision-based sign language translation systems have emerged as a promising solution to bridge this communication gap. This study aims to develop a real-time SIBI recognition system using MediaPipe Holistic to simultaneously detect key-points of the hands, face, and pose, followed by speech output generation via text-to-speech technology. The pre-processing pipeline includes data cleaning, cropping, background removal, and grayscale conversion. The dataset consists of 4,500 image sequences representing 10 commonly used SIBI words. A Bi-directional LSTM model is employed to classify spatial–temporal patterns extracted from the gesture sequences. Evaluation results show a classification accuracy of 97.78% at the 200th epoch, with precision, recall, and F1-score all reaching 98%. Performance testing across five distance variations revealed that optimal recognition occurs within the 0.29 to 0.37-meter range. These findings demonstrate that the proposed system is a highly effective assistive communication tool for the Deaf and speech-impaired. Furthermore, the system has the potential to be expanded into mobile applications for real-world interaction and can serve as a foundation for future development in recognizing more complex sign language expressions.  
Evaluasi Dan Optimalisasi Model CNN-Transformer Encoder dalam Deteksi Stres Melalui Sinyal Suara Prasetio, Barlian Henryranu; Widasari, Edita Rosana; Shabiyya, Syifa’ Hukma
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 1: Februari 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026131

Abstract

Deteksi stres melalui sinyal suara masih menghadapi tantangan akurasi karena keterbatasan model konvensional dalam menangkap distribusi frekuensi spasial-temporal. Oleh karena itu, diperlukan pendekatan baru yang mampu mengekstraksi pola kompleks secara efektif. Artikel ini mengeksplorasi peningkatan performa deteksi stres melalui sinyal suara dengan mengintegrasikan model Convolutional Neural Network (CNN) dan Transformer Encoder. Kami mengevaluasi berbagai konfigurasi jumlah head pada self-attention dan nilai learning rate untuk model CNN-Transformer Encoder guna mengidentifikasi parameter optimal. Hasil eksperimen menunjukkan bahwa konfigurasi dengan 6 head pada Transformer Encoder dan learning rate 0,01 memberikan performa terbaik dengan nilai loss terendah sebesar 0,5034, akurasi tertinggi 78,37%, serta peningkatan pada precision, recall, dan F1-score. Selain itu, penggabungan model CNN dengan Transformer Encoder secara paralel secara signifikan meningkatkan akurasi deteksi stres dibandingkan dengan model baseline CNN dan DSCNN. Pengujian lebih lanjut menggunakan confusion matrix menunjukkan keunggulan model DSCNN-Transformer Encoder dalam mendeteksi kelas stres dengan akurasi tertinggi. Pengujian pada dataset yang berbeda juga menunjukkan bahwa model yang diusulkan memiliki kestabilan yang baik. Temuan ini menegaskan efektivitas integrasi Transformer Encoder dalam meningkatkan performa deteksi stres pada sinyal suara.   Abstract Stress detection through speech signals still faces accuracy challenges due to the limitations of conventional models in capturing spatial-temporal frequency distributions. Therefore, new approaches are needed that can effectively extract complex patterns. This study explores enhancing stress detection performance through speech signals by integrating Convolutional Neural Network (CNN) and Transformer Encoder models. We evaluated various configurations of self-attention head counts and learning rates for the CNN-Transformer Encoder model to identify optimal parameters. Experimental results indicate that a configuration with 6 heads in the Transformer Encoder and a learning rate of 0.01 yields the best performance with the lowest loss of 0.5034, highest accuracy of 78.37%, and improvements in precision, recall, and F1-score. Furthermore, the parallel integration of CNN with Transformer Encoder significantly improves stress detection accuracy compared to baseline CNN and DSCNN models. Further analysis using confusion matrices highlights the superior performance of the DSCNN-Transformer Encoder model in detecting stress classes with the highest accuracy. These findings affirm the effectiveness of integrating Transformer Encoder in enhancing stress detection performance from voice signals.
Perbandingan Kinerja Algoritma Klasifikasi untuk Pemilihan Tempat Promosi upaya Meningkatkan Jumlah Mahasiswa Baru Fadilah, Nurul; Joko Prasetyo, Sri Yulianto; Kristianto, Budhi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 1: Februari 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026131

Abstract

Efektivitas strategi promosi menjadi kunci keberhasilan institusi pendidikan tinggi dalam menarik minat calon mahasiswa baru. Namun, banyak institusi menghadapi masalah serius dalam pemilihan lokasi promosi yang tepat, yang mengakibatkan penurunan minat calon mahasiswa dan pemborosan sumber daya. Untuk mengatasi masalah ini, penelitian ini mengembangkan model klasifikasi berbasis data mining yang mampu mengidentifikasi lokasi promosi paling efektif. Tiga algoritma klasifikasi yang digunakan dalam penelitian ini adalah Logistic Regression, Support Vector Machine (SVM), dan Decision Tree (C4.5). Data pendaftaran mahasiswa dikumpulkan dan diproses melalui tahapan pra pemprosesan yang meliputi penggantian nilai hilang, normalisasi data, dan transformasi atribut nominal menjadi numerik. Data kemudian dibagi menjadi subset pelatihan dan pengujian menggunakan metode split data dengan rasio 70:30. Hasil evaluasi menunjukkan bahwa model Decision Tree (C4.5) memberikan performa terbaik dengan accuracy 93.75%, precision 97.37%, dan recall 90.24%. Logistic Regression juga menunjukkan hasil yang memuaskan dengan accuracy 90.00%, precision 92.31%, dan recall 87.80%. Sementara itu, SVM menunjukkan performa yang lebih rendah dengan accuracy 72.50%, precision 80.65%, dan recall 60.98%. Kesimpulannya, model Decision Tree (C4.5) dan Logistic Regression dapat diandalkan untuk mengoptimalkan strategi promosi institusi pendidikan tinggi, memastikan alokasi sumber daya yang lebih efisien dan efektif, serta meningkatkan jumlah pendaftar baru. Penelitian ini juga memberikan kontribusi signifikan dalam literatur terkait penggunaan data mining untuk strategi promosi di sektor pendidikan tinggi.   Abstract The effectiveness of promotional strategies is crucial for higher education institutions in attracting new student enrollments. However, many institutions face serious issues in selecting the appropriate promotional locations, leading to decreased student interest and resource wastage. To address this issue, this study develops a data mining-based prediction model capable of identifying the most effective promotional locations. The three classification algorithms used in this study are Logistic Regression, Support Vector Machine (SVM), and Decision Tree (C4.5). Student enrollment data were collected and processed through pre-processing stages, including missing value replacement, data normalization, and transformation of nominal attributes to numerical. The data were then split into training and testing subsets using a 70:30 split ratio. Evaluation results indicate that the Decision Tree (C4.5) model performed the best with an accuracy of 93.75%, precision of 97.37%, and recall of 90.24%. Logistic Regression also showed satisfactory results with an accuracy of 90.00%, precision of 92.31%, and recall of 87.80%. Meanwhile, SVM demonstrated lower performance with an accuracy of 72.50%, precision of 80.65%, and recall of 60.98%. In conclusion, the Decision Tree (C4.5) and Logistic Regression models are reliable for optimizing promotional strategies of higher education institutions, ensuring more efficient and effective resource allocation, and increasing new student enrollments. This study also makes a significant contribution to the literature related to the use of data mining for promotional strategies in the higher education sector.
Pemanfaatan Pembelajaran Mesin untuk Klasifikasi Kebutuhan Perangkat Lunak Setiawan, Wahyu Fajar; Ariatama, Ilham Putra; Yuhana, Umi Laili; Alfian, Muhammad
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 1: Februari 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026131

Abstract

Klasifikasi kebutuhan perangkat lunak merupakan salah satu langkah terpenting dalam rekayasa perangkat lunak. Klasifikasi ini membantu pengembang untuk mengategorikan kebutuhan fungsional atau functional requirement (FR) dan kebutuhan non-fungsional atau non-functional requirement (NFR). Klasifikasi ini sangat penting untuk memastikan bahwa setiap aspek kebutuhan perangkat lunak terpenuhi dengan efisien sehingga perangkat lunak yang dikembangkan akhirnya dapat memenuhi harapan penggunanya. Namun, klasifikasi manual memerlukan waktu lama dan rentan terhadap kesalahan manusia, terutama pada proyek skala besar. Sehingga pada penelitian ini kami bertujuan mengotomatisasi proses klasifikasi kebutuhan perangkat lunak menggunakan beberapa algoritma pembelajaran mesin seperti Logistic regression, SVM, Multinomial Naive Bayes, KNN, Random Forest, dan Decision Tree dengan ekstraksi fitur seperti TF-IDF, BoW, dan BERT menggunakan dataset PROMISE_exp yang berisi 969 kebutuhan perangkat lunak (444 FR dan 525 NFR), untuk mengetahui kombinasi terbaik antara metode ekstraksi fitur dengan algoritma klasifikasi. Hasil eksperimen menunjukkan bahwa Logistic regression dengan fitur TF-IDF menghasilkan akurasi tertinggi sebesar 97% di antara semua pendekatan. Model ini juga cukup seimbang dalam hal precision, recall, dan F1-Score. Model tersebut terbukti menjadi pilihan yang sangat andal untuk mengklasifikasikan kebutuhan perangkat lunak. Decision Tree yang dikombinasikan dengan BERT ternyata memiliki kinerja yang lebih buruk, yang menyatakan bahwa model ini kurang mampu menangani fitur-fitur yang kompleks dari BERT. Kontribusi utama penelitian ini adalah pembuktian empiris bahwa model klasifikasi sederhana (Logistic Regression + TF-IDF) dapat mengungguli pendekatan kompleks berbasis transformer (BERT) untuk tugas klasifikasi kebutuhan perangkat lunak, memberikan panduan praktis bagi pengembang dalam memilih pendekatan otomatisasi yang efektif dan efisien.   Abstract Software requirement classification is one of the most important steps in software engineering. This classification helps developers categorise functional requirements (FR) and non-functional requirements (NFR). This classification is very important to ensure that every aspect of software requirements is met efficiently so that the developed software can ultimately meet user expectations. However, manual classification is time-consuming and prone to human error, especially in large-scale projects. Therefore, in this study, we aim to automate the software requirement classification process using several machine learning algorithms such as Logistic regression, SVM, Multinomial Naive Bayes, KNN, Random Forest, and Decision Tree with feature extraction such as TF-IDF, BoW, and BERT using the PROMISE_exp dataset containing 969 software requirements (444 FR and 525 NFR), to determine the best combination of feature extraction methods with classification algorithms. The experimental results show that Logistic regression with TF-IDF features produces the highest accuracy of 97% among all approaches. This model is also quite balanced in terms of precision, recall, and F1-Score. The model proved to be a very reliable choice for classifying software requirements. Decision Tree combined with BERT turned out to have poorer performance, indicating that this model is less capable of handling the complex features of BERT. The main contribution of this research is the empirical proof that a simple classification model (Logistic Regression + TF-IDF) can outperform complex transformer-based approaches (BERT) for software requirement classification tasks, providing practical guidance for developers in choosing effective and efficient automation approaches.
Sistem Deteksi Stres Portabel pada Pengemudi Menggunakan Decision Tree Berbasis Sinyal Photoplethysmogram Fuad, Alifa Azwadina; Widasari, Edita Rosana
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 1: Februari 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026131

Abstract

Stres merupakan kondisi psikofisiologis yang menurunkan konsentrasi dan kemampuan berkendara. Kondisi ini berdampak pada meningkatnya risiko kecelakaan lalu lintas. Oleh karena itu, pengembangan sistem deteksi stres portabel diperlukan sebagai upaya mitigasi risiko dan peningkatan keselamatan di jalan raya. Penelitian ini bertujuan untuk mengembangkan sistem deteksi stres portabel berbasis sinyal Photoplethysmogram (PPG) menggunakan fitur Average of NN Intervals (AVNN) dan Standard Deviation of NN Intervals (SDNN) serta metode klasifikasi machine learning Decision Tree. Sistem ini menggunakan sensor MAX30102 untuk mengakuisisi sinyal PPG secara real-time, dengan hasil deteksi stres yang ditampilkan pada layar Organic Light Emitting Diode (OLED) dan dilengkapi dengan indikator buzzer serta Light Emitting Diode (LED). Pengujian sistem dengan subjek uji menunjukkan bahwa metode Decision Tree berbasis fitur AVNN dan SDNN mampu mencapai akurasi klasifikasi sebesar 80%. Rata-rata waktu komputasi tercatat 2,6 detik, sehingga sistem dinilai efisien untuk mendukung deteksi stres secara real-time. Pengujian keseluruhan sistem membuktikan bahwa perangkat portabel ini bekerja dengan andal sesuai skenario yang dirancang, sehingga berpotensi digunakan sebagai alat deteksi stres portabel bagi pengemudi.   Abstract Stress is a psychophysiological condition that diminishes driving concentration and performance, thereby elevating the risk of traffic accidents. To mitigate this risk, we developed a portable stress‑detection system that analyzes photoplethysmogram (PPG) signals. The system extracts the Average of NN Intervals (AVNN) and the Standard Deviation of NN Intervals (SDNN), classifying stress levels with a Decision Tree algorithm. Real‑time PPG data are acquired via a MAX30102 sensor, while classification results are shown on an Organic Light‑Emitting Diode (OLED) display and reinforced through buzzer and Light‑Emitting Diode (LED) alerts. Experiments demonstrate that the AVNN‑SDNN Decision Tree model attains 80 % classification accuracy with an average computation time of 2.6 sec. The prototype operated reliably across all test scenarios, indicating strong potential as an in‑vehicle portable device for monitoring driver stress and enhancing road safety.
Prediksi Tingkat Depresi (Kesehatan Mental) MenggunakanPHQ-9, Naïve Bayes, Random Forest dan Support Vector Machine Budiyanto, Utomo; Fatimah, Titin; Pratama, Bijan Austin
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 1: Februari 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026131

Abstract

Kesehatan mental dalam hal ini khususnya masalah depresi, merupakan isu global yang memengaruhi jutaan individu di seluruh dunia. Identifikasi dini dan perawatan yang efektif dapat berdampak positif pada kualitas hidup individu yang terkena dampak. Pada kalangan pelajar maupun mahasiswa, efek depresi bisa lebih signifikan terlihat. Pelajar maupun mahasiswa sering menghadapi tekanan dari sisi akademik, sosial dan ekonomi yang tinggi, yang dapat memicu atau memperburuk gejala depresi. Efeknya bisa menurunkan kualitas akademik, presensi kelas yang menurun, isolasi secara kehidupan sosial bahkan risiko tinggi terhadap permasalahan kesehatan mental yang lebih serius. Hal ini membutuhkan perhatian dan penanganan khusus. Penelitian ini bertujuan untuk mengembangkan model Machine Learning yang dapat memprediksi tingkat depresi berdasarkan data PHQ-9 (Patient Health Questionnaire-9). Algoritma yang digunakan yaitu Naïve Bayes, Random Forest dan Support Vector Machine (SVM). Sumber data utama didapat melalui survei 200 mahasiswa dari 2 Perguruan Tinggi dan analisis data mencakup fitur-fitur yang relevan untuk prediksi tingkat depresi. Model dilatih serta dievaluasi menggunakan metrik yang sesuai seperti akurasi, presisi, recall dan F1-score. Perbandingan kinerja antara ketiga algoritma dilakukan untuk menentukan algoritma yang paling efektif dalam memprediksi tingkat depresi. Hasil pengujian menunjukkan nilai akurasi menggunakan Naïve Bayes sebesar 77% sedangkan Random Forest adalah 97.5% serta SVM sebesar 98%. Pengujian secara keseluruhan menunjukan bahwa algoritma SVM paling akurat dan konsisten untuk semua tingkat depresi.   Abstract Mental health specifically depression, is a global issue that affects millions of individuals worldwide. Early identification and effective treatment can have a positive impact on the quality of life of affected individuals. Among students, the effects of depression can be more significant. Students often face high levels of academic, social, and economic pressure, which can trigger or exacerbate depressive symptoms. The effects can include decreased academic performance, decreased class attendance, social isolation, and even a higher risk of more serious mental health problems. This requires special attention and treatment. This research aims to develop a Machine Learning model that can predict depression levels based on PHQ-9 (Patient Health Questionnaire-9) data. The algorithms used are Naive Bayes, Random Forest, and Support Vector Machine (SVM). The primary data source was obtained through a survey of 200 students from two universities, and data analysis will include features relevant to depression prediction. The model was trained and evaluated using appropriate metrics such as accuracy, precision, recall, and F1-score. A performance comparison between the three algorithms was conducted to determine the most effective algorithm in predicting depression levels. The test results showed an accuracy value using Naive Bayes of 77%, while Random Forest was 97.5% and SVM was 98%. Overall, SVM was the most accurate and consistent for all levels of depression.
Deteksi Plagiarisme Dokumen Tugas Menggunakan Algoritma Shingling dan MD5 Fingerprint Chrisinta, Debora; Simarmata, Justin Eduardo; Purnomo, Miko; Santoso, Jaya
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 1: Februari 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026131

Abstract

Masalah utama dalam lingkungan akademik adalah plagiarisme, yang dapat merusak reputasi institusi dan menghambat proses pembelajaran mahasiswa. Oleh karena itu, untuk mengatasi masalah ini diperlukan sistem deteksi plagiarisme yang efektif dan efisien. Tujuan dari penelitian ini adalah mengimplementasikan algoritma Shingling dan MD5 Fingerprint menggunakan Python untuk mendeteksi kemiripan teks dalam tugas mahasiswa. Data yang digunakan dalam penelitian ini berupa dokumen Word (.docx) berupa tugas akademik, seperti esai dan laporan, yang dikumpulkan dari mata kuliah Data Warehouse. Metode yang digunakan meliputi pra-pemrosesan teks, pembentukan shingle berbasis kata, dan perhitungan Jaccard Similarity untuk mengukur tingkat kemiripan antara dokumen. Hasil penelitian menunjukkan bahwa algoritma Shingling dan MD5 Fingerprint efektif dalam mendeteksi kemiripan teks, bahkan ketika terdapat variasi dalam struktur kalimat atau penggunaan bahasa. Hasil kemiripan divisualisasikan dalam grafik batang, yang menyajikan tingkat kemiripan antar dokumen secara jelas dan ringkas. Sistem ini diharapkan menjadi alat bantu andal bagi dosen dan institusi dalam memantau keaslian karya tulis mahasiswa secara real-time.   Abstract The main issue in the academic environment is plagiarism, which can damage the reputation of institutions and hinder the student learning process. Therefore, an effective and efficient plagiarism detection system is necessary to address this problem. The aim of this study is to implement the Shingling algorithm and MD5 Fingerprint using Python to detect text similarity in student assignments. The data used in this research consists of Word documents (.docx) of academic assignments, such as essays and reports, collected from the Data Warehouse course. The methods used include text preprocessing, word-based shingle formation, and Jaccard Similarity calculation to measure the similarity level between documents. The research results show that the Shingling algorithm and MD5 Fingerprint are effective in detecting text similarity, even when there are variations in sentence structure or language use. Visualization of the results in the form of graphs facilitates the identification of documents with high levels of plagiarism, allowing for further action to maintain academic integrity. This system is expected to be a reliable tool for lecturers and institutions to monitor the authenticity of student writings in real-time.
Optimasi Convolutional Neural Network Menggunakan Differential Evolution dalam Identifikasi Kematangan Buah Kelapa Sawit Budiman, Naufal; Adi, Kusworo; Wibowo, Adi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 1: Februari 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026131

Abstract

Deteksi kematangan buah kelapa sawit merupakan salah satu langkah penting dalam meningkatkan efisiensi dan produktivitas di sektor pertanian di Indonesia. Dalam era perkembangan teknologi, penerapan metode berbasis kecerdasan buatan, seperti Convolutional Neural Network (CNN), sering digunakan dalam pengenalan dan klasifikasi citra. Dalam proses pengembangan model Deep Learning, optimasi untuk meningkatkan akurasi dan efisiensi komputasi menjadi langkah penting. Proses ini melibatkan penyesuaian arsitektur dan hyperparameter untuk memastikan model dapat mempelajari fitur yang relevan secara efektif. Melalui optimasi, model dapat disesuaikan untuk menangani karakteristik dataset tertentu, meningkatkan kemampuan generalisasi, dan memaksimalkan kinerja pada tugas klasifikasi. Penelitian ini mengoptimasi model CNN melalui penyesuaian arsitektur dan hyperparameter menggunakan salah satu algoritma evolusi, yaitu Differential Evolution (DE), dalam mengidentifikasi tingkat kematangan buah kelapa sawit. Dataset yang digunakan dalam penelitian ini berupa gambar buah kelapa sawit dengan tiga tingkat kematangan, yaitu: matang, mentah, dan busuk. Sebagai pembanding, penelitian ini juga menggunakan metode CNN tanpa DE. Hasil dari penelitian menunjukkan bahwa metode CNN yang dioptimasi menggunakan DE dalam mengidentifikasi tingkat kematangan buah kelapa sawit memberikan akurasi sebesar 0,98 serta nilai presisi, sensitivitas, dan F1-score di atas 0,97 untuk semua kelas.   Abstract The detection of oil palm fruit ripeness is a crucial step in improving efficiency and productivity in Indonesia's agricultural sector. In the era of technological advancement, artificial intelligence-based methods, such as Convolutional Neural Networks (CNN), are frequently applied in image recognition and classification. In developing Deep Learning models, optimization plays a vital role in enhancing accuracy and computational efficiency. This process involves adjusting the architecture and hyperparameters to ensure the model can effectively learn relevant features. Through optimization, the model can be tailored to handle specific dataset characteristics, improve generalization, and maximize performance in classification tasks. This study optimizes a CNN model by adjusting its architecture and hyperparameters using an evolutionary algorithm known as Differential Evolution (DE) to identify the ripeness levels of oil palm fruits. The dataset used in this study consists of images of oil palm fruits categorized into three ripeness levels: ripe, unripe, and rotten. For comparison, a baseline CNN model without DE optimization was also employed. The results show that the CNN model optimized using DE achieved an accuracy of 0,98 with precision, sensitivity, and F1-score values exceeding 0.97 for all classes.

Page 1 of 3 | Total Record : 25

 1   2   3 

Filter by Year

2026 2026


Reset
Filter By Issues
All Issue Vol 13 No 1: Februari 2026 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: 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