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
Deteksi Serangan DDoS pada Jaringan SDN Menggunakan Random Forest dan Particle Swarm Optimization Sugeng, Winarno; Adhliana, Fadhli
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

Software Defined Network (SDN) merupakan salah satu inovasi dalam arsitektur jaringan yang menawarkan fleksibilitas tinggi dengan memisahkan fungsi kontrol dan pengalihan data (forwarding). Meskipun demikian, penerapan SDN tidak lepas dari tantangan, seperti kebutuhan pelatihan sumber daya manusia, proses migrasi dari sistem jaringan konvensional, serta ancaman keamanan seperti serangan Distributed Denial of Service (DDoS). Serangan DDoS dapat mengganggu stabilitas jaringan dengan membanjiri sistem menggunakan lalu lintas data yang berlebihan, sehingga diperlukan metode yang efektif untuk mendeteksinya. Penelitian ini mengusulkan pendekatan kombinasi antara algoritma Random Forest dan Particle Swarm Optimization (PSO) untuk mendeteksi serangan DDoS pada jaringan SDN. Random Forest digunakan untuk melakukan klasifikasi serangan berdasarkan fitur-fitur penting dalam data jaringan, sedangkan PSO berperan dalam mengoptimalkan parameter model agar menghasilkan performa yang lebih optimal. Dalam hal ini, PSO juga digunakan untuk melakukan seleksi fitur, di mana jumlah fitur pada dataset berhasil direduksi dari 80 menjadi 40 fitur paling relevan, sehingga meningkatkan efisiensi dan kinerja model. PSO dipilih karena keunggulannya dalam efisiensi komputasi dan kemampuannya menjaga keseimbangan antara pencarian solusi secara global maupun lokal. Berdasarkan hasil pengujian, metode yang diusulkan mampu meningkatkan kinerja deteksi dengan akurasi sebesar 98%, presisi 98%, recall 98%, dan F1-Score 98%. Jika dibandingkan dengan penggunaan Random Forest tanpa optimisasi, yang hanya menghasilkan akurasi sekitar 88%, terlihat bahwa penerapan PSO memberikan kontribusi nyata dalam meningkatkan performa deteksi. Dengan demikian, kombinasi RF dan PSO dapat menjadi salah satu solusi yang efektif untuk meningkatkan keamanan jaringan SDN terhadap ancaman serangan DDoS.   Abstract Software Defined Network (SDN) is one of the innovations in network architecture that offers high flexibility by separating control and data forwarding functions. However, the implementation of SDN is not free from challenges, such as the need for human resource training, the migration process from conventional network systems, and security threats such as Distributed Denial of Service (DDoS) attacks. DDoS attacks can disrupt network stability by flooding the system with excessive data traffic, so an effective method is needed to detect them. This study proposes a combination approach between the Random Forest and Particle Swarm Optimization (PSO) algorithms to detect DDoS attacks on SDN networks. Random Forest is used to classify attacks based on important features in network data, while PSO plays a role in optimizing model parameters to produce more optimal performance. In this case, PSO is also used to perform feature selection, where the number of features in the dataset is successfully reduced from 80 to 40 most relevant features, thereby increasing model efficiency and performance. PSO was chosen because of its advantages in computational efficiency and its ability to maintain a balance between searching for solutions globally and locally. Based on the test results, the proposed method is able to improve detection performance with an accuracy of 98%, precision of 98%, recall of 98%, and F1-Score of 98%. When compared to the use of Random Forest without optimization, which only produces an accuracy of around 88%, it is clear that the application of PSO makes a real contribution to improving detection performance. Thus, the combination of RF and PSO can be an effective solution to improve SDN network security against the threat of DDoS attacks.  
Model Hibrida Deret Waktu Adaptif untuk Peramalan Dinamis Permintaan Penumpang Kereta Api Menggunakan Kalman Filter Isworo, Muhamad Raihan Ramadhani; Tri Anggraeny, Fetty; Junaidi, Achmad
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

Peramalan permintaan penumpang kereta api yang akurat sangat penting untuk optimasi operasional dan perencanaan layanan transportasi PT KAI. Model peramalan konvensional sering menghadapi tantangan dalam menangani dinamika permintaan yang kompleks, terutama saat terjadi perubahan pola mendadak dan kejadian khusus seperti hari libur atau kejadian luar biasa. Penelitian ini mengusulkan model hibrida adaptif yang menggabungkan SARIMAX dan Prophet dengan optimasi bobot menggunakan Kalman Filter. Data yang digunakan adalah jumlah penumpang bulanan PT KAI DAOP 8 periode 2016-2023 yang mencakup fluktuasi musiman dan kejadian khusus yang mempengaruhi permintaan penumpang. Hasil menunjukkan bahwa model hibrida adaptif mencapai MAPE 4.32%, lebih baik dibandingkan dengan SARIMAX (7.72%) dan Prophet (6.06%). Kalman Filter berhasil mengoptimalkan bobot secara dinamis, meningkatkan kemampuan adaptasi model terhadap perubahan pola permintaan. Model ini menunjukkan performa akurasi dan stabilitas yang tinggi, serta dapat digunakan untuk meramalkan permintaan penumpang di masa depan dan memberikan rekomendasi untuk perencanaan kapasitas PT KAI yang lebih efektif.   Abstract Accurate forecasting of rail passenger demand is essential for operational optimization and planning of transportation services. Conventional forecasting models often face challenges in handling complex demand dynamics, especially when sudden pattern changes and special events occur. This study proposes an adaptive hybrid model combining SARIMAX and Prophet with weight optimization using the Kalman Filter. The data used is the monthly passenger number of PT KAI DAOP 8 from 2016 to 2023, which includes seasonal fluctuations and special events affecting passenger demand. The results show that the adaptive hybrid model achieved a MAPE of 4.32%, better than SARIMAX (7.72%) and Prophet (6.06%). The Kalman Filter successfully optimized the weights dynamically, improving the model's adaptability to changing demand patterns. This model demonstrates high accuracy and stability, and can be used to forecast future passenger demand and provide recommendations for more effective capacity planning for PT KAI.
Algoritma Support Vector Regression dan Analisis Long Short-Term Memory sebagai Penanganan Missing Data Parinzka, Zellya; Surono, Sugiyarto; Thobirin, Aris
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

Time series multivariat adalah jenis data yang sering digunakan di berbagai bidang seperti keuangan, statistik, dan kesehatan karena dapat menjelaskan hubungan kompleks antar variabel. Namun, sering kali terdapat masalah seperti missing data yang dapat menjadi tantangan signifikan dalam proses analisis, mengurangi kualitas data dan akurasi model prediksi. Penelitian ini bertujuan untuk mengatasi masalah missing data time series multivariat dengan menggunakan teknik Support Vector Regression (SVR) untuk imputasi missing data dan Long Short-Term Memory (LSTM) sebagai analisis prediktif. SVR diterapkan untuk memprediksi missing data berdasarkan hubungan antar variabelnya, sementara LSTM digunakan untuk memodelkan pola temporal dalam data yang telah diimputasi. Evaluasi kinerja menunjukkan bahwa metode ini dapat meningkatkan kualitas data dan akurasi prediksi secara signifikan. Dengan menghasilkan metrik evaluasi RMSE 0.16, MSE 0.03, dan MAE 0.13, metode integratif ini tidak hanya menawarkan solusi yang efektif untuk menangani missing data, tetapi juga membantu memperkuat penerapan machine learning dalam analisis data time series multivariat. Selain itu, penelitian ini menunjukkan relevansi praktis dari integritas metode imputasi berbasi SVR dan analisis prediktif dengan LSTM, yang mampu dalam meningkatkan integritas data serta menghasilkan model prediksi yang akurat, sehingga berpotensi mendukung pengambilan keputusan berbasis data dalam berbagai bidang yang lebih luas dan realistis, khususnya pada analisis indikator kesehatan seperti Life Expectancy.   Abstract Multivariate time series is a type of data often used in various fields such as finance, statistics, and health because it can explain complex relationships between variables. However, there are often issues like missing data that can pose significant challenges in the analysis process, reducing data quality and model prediction accuracy. This research aims to address the missing data problem in multivariate time series by using Support Vector Regression (SVR) for imputing missing data and Long Short-Term Memory (LSTM) for predictive analysis. SVR is applied to predict missing data based on the relationships between the variables, while LSTM is used to model temporal patterns in the imputed data. Performance evaluation shows that this method can significantly improve data quality and prediction accuracy. With evaluation metrics of RMSE 0.16, MSE 0.03, and MAE 0.13, this integrative method not only offers an effective solution for handling missing data but also helps strengthen the application of machine learning in multivariate time series data analysis. Furthermore, this research demonstrates the practical relevance of the integrity of SVR-based imputation methods and predictive analysis with LSTM, which can enhance data integrity and produce accurate predictive models, thus potentially supporting data-driven decision-making in broader and more realistic fields, particularly in the analysis of health indicators such as Life Expectancy.
Prediksi Arus Lalu Lintas Kendaraan Menggunakan Framework Spatio-Temporal Graph Neural Networks Hafizhan, Naufal Dzaki; Akbar, Saiful
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.2025126

Abstract

Sistem transportasi cerdas dapat diterapkan dengan salah satu bagiannya yaitu model prediksi lalu lintas untuk mengoptimalkan arus kendaraan sehingga dapat mengurangi kemacetan. Di sisi lain, telah banyak penelitian-penelitian sebelumnya yang berfokus pada pembangunan model prediksi lalu lintas menggunakan metode gabungan yang mempelajari fitur spasial dan temporal secara serentak melalui pendekatan model berbasis graf sedangkan penelitian di Indonesia masih menggunakan metode pembelajaran mesin sederhana. Oleh karena itu, dibangun model prediksi arus lalu lintas dengan dataset yang telah diimputasi oleh model prediktif Graph Imputation Neural Network (GINN) menggunakan framework Spatio-Temporal Graph Neural Network (STGNN). Model yang diusulkan terdiri dari dilated spatio-temporal synchronous graph convolutional module dan dilated temporal convolutional networks untuk menangkap dinamika spasial-temporal baik secara global dan lokal maupun jangka pendek dan jangka panjang, serta dynamic graph learning untuk mempelajari karakteristik dinamis spatial-temporal secara lokal. Graf dinamis yang dihasilkan dapat menyesuaikan pola data lalu lintas dengan baik serta meningkatkan kinerja hasil prediksi. Eksperimen yang dilakukan pada tiga dataset yang telah dibangun dan satu real-world dataset membuktikan bahwa model yang diusulkan dapat melampaui kinerja model state-of-the-art dan metode imputasi yang menggunakan model prediktif mampu meningkatkan kinerja model.   Abstract Intelligent transportation systems can be implemented with one of their components, namely traffic prediction models, to optimize vehicle flow and reduce congestion. On the other hand, many previous studies have focused on developing traffic prediction models using a combined method that simultaneously studies spatial and temporal features through a graph-based model approach, while research in Indonesia still uses simple machine learning methods. Therefore, a traffic flow prediction model was developed using a dataset that had been imputed by Graph Imputation Neural Network (GINN) predictive model using Spatio-Temporal Graph Neural Network (STGNN) framework. The proposed model consists of a dilated spatio-temporal synchronous graph convolutional module and dilated temporal convolutional networks to capture spatio-temporal dynamics both globally and locally as well as in the short and long term, as well as dynamic graph learning to learn local spatio-temporal dynamic characteristics. The resulting dynamic graph can adapt traffic data patterns well and improve prediction performance. Experiments conducted on three constructed datasets and one real-world dataset prove that the proposed model can surpass the performance of state-of-the-art models and that imputation methods using predictive models can improve model performance.
Penerapan Metode Ensemble Learning dalam Klasifikasi Risiko Abrasi Menggunakan Citra Satelit Google Earth Engine Fajarendra, Yusril Iza; 'Uyun, Shofwatul
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

Abrasi menjadi masalah utama yang mempengaruhi ekosistem dan pemukiman di wilayah pesisir dengan dampak kemunduran garis pantai yang mengancam bangunan dan ekosistem yang ada didalamnya. Permasalahan utama terletak pada pemantauan, analisis dan klasifikasi risiko abrasi secara akurat menggunakan citra satelit. Data citra dengan resolusi tinggi membutuhkan komputasi yang efisien. Keterbatasan akan jumlah data adalah faktor utama yang menyebabkan model overfitting sehingga dilakukan penerapan teknik augmentasi data untuk menghasilkan sampel data sintetis dan meningkatkan kemampuan generalisasi model. Penelitian ini menggunakan data citra satelit Sentinel-2 yang diambil dari Google Earth Engine dan Google Colab untuk pemotongan dan serta dilakukan pelabelan data, dengan tiga kelas tingkatan abrasi: rendah, sedang, dan tinggi yang memiliki karakteristik citra yang berbeda. Langkah awal adalah evaluasi lima arsitektur CNN (Xception, InceptionV3, MobileNet, DenseNet, dan VGG16) melalui Transfer Learning dan K-Fold Cross-Validation. Hasilnya menunjukkan kinerja yang bervariasi, mengindikasikan tidak ada model tunggal yang optimal untuk dataset abrasi yang kompleks. Menanggapi keterbatasan ini, pendekatan (Boosting) Ensemble Learning diterapkan untuk membangun model yang lebih stabil dan general, dengan tujuan menggabungkan kekuatan prediksi berbagai arsitektur. Meskipun DenseNet menjadi model tunggal terbaik dengan akurasi 95,13%, penerapan Boosting Ensemble berhasil meningkatkan performa signifikan hingga 96,45%. Hasil ini membuktikan sinergi model memberikan solusi yang lebih unggul dan andal dibandingkan model tunggal.   Abstract Abrasion is a major problem affecting ecosystems and settlements in coastal areas, with the impact of shoreline retreat threatening buildings and the ecosystem within them. The main problem lies in the accurate monitoring, analysis, and classification of abrasion risks using satellite imagery. High-resolution imagery data requires efficient computing. Limitations in the amount of data are the main factor causing model overfitting, so data augmentation techniques are applied to generate synthetic data samples and improve model generalization capabilities. This study uses Sentinel-2 satellite imagery data taken from Google Earth Engine and Google Colab for data slicing and labeling, with three classes of abrasion levels: low, medium, and high, which have different image characteristics. The initial step was the evaluation of five CNN architectures (Xception, InceptionV3, MobileNet, DenseNet, and VGG16) through Transfer Learning and K-Fold Cross-Validation. The results showed varying performance, indicating that there is no single optimal model for complex abrasion datasets. In response to this limitation, an Ensemble Learning (Boosting) approach was applied to build a more stable and general model, with the aim of combining the predictive power of various architectures. Although DenseNet was the best single model with 95.13% accuracy, applying Ensemble Boosting significantly improved performance to 96.45%. This result demonstrates that model synergy provides a superior and more reliable solution than a single model.
Penerapan Model Arsitektur UNet untuk Peningkatan Resolusi Spasial Curah Hujan di Wilayah Pulau Jawa Berbasis Data MSWEP Putri, Nurulita Purnama; Saputro, Adhi Harmoko; Prasetya, Ratih; Soebroto, Arief Andy
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

Pemodelan curah hujan dengan resolusi tinggi sangat penting untuk berbagai aplikasi meteorologi dan hidrologi, termasuk peringatan dini bencana, manajemen sumber daya air, dan perubahan iklim. Namun, data curah hujan dengan resolusi tinggi sering kali tidak tersedia atau terbatas dalam cakupan wilayah dan periode waktu tertentu. Oleh karena itu, metode downscaling berbasis deep learning dapat menjadi solusi untuk meningkatkan resolusi data curah hujan dengan akurasi yang lebih baik. Penelitian ini berfokus pada evaluasi arsitektur Convolutional Neural Network (CNN) yaitu U-Net dalam melakukan downscaling data curah hujan Multi-Source Weighted-Ensemble Precipitation (MSWEP) untuk wilayah Pulau Jawa. Tujuannya adalah untuk mengevaluasi efektivitas model U-Net dalam meningkatkan resolusi data curah hujan dari 0.2° ke 0.1°. Hasil evaluasi pada data testing menunjukkan bahwa U-Net memiliki performa lebih baik jika dibandingkan ResNet. U-Net menghasilkan RMSE 0.0168, MAE 0.0107, MSE 0.00028, dan R² 0.9919, sementara ResNet memiliki RMSE 0.0188, MAE 0.0122, MSE 0.00035, dan R² 0.9899. Dengan nilai kesalahan yang lebih kecil dan akurasi lebih tinggi, U-Net terbukti lebih unggul dalam menangkap pola data curah hujan. Penelitian ini menyimpulkan bahwa U-Net lebih unggul dalam meningkatkan resolusi data curah hujan dan lebih efisien dalam menangkap pola data, menjadikannya pilihan yang lebih baik untuk aplikasi downscaling curah hujan wilayah Pulau Jawa.   Abstract High-resolution rainfall modeling is crucial for various meteorological and hydrological applications, including disaster early warning systems, water resource management, and climate change analysis. However, high-resolution rainfall data are often unavailable or limited in spatial coverage and time periods. Therefore, deep learning-based downscaling methods can serve as a promising solution to enhance the resolution of rainfall data with improved accuracy. This study focuses on evaluating the performance of a Convolutional Neural Network (CNN) architecture, specifically U-Net, for downscaling Multi-Source Weighted-Ensemble Precipitation (MSWEP) data over the island of Java. The objective is to assess the effectiveness of the U-Net model in increasing the spatial resolution of rainfall data from 0.2° to 0.1°. Evaluation on the testing dataset shows that U-Net outperforms the ResNet model, achieving an RMSE of 0.0168, MAE of 0.0107, MSE of 0.00028, and R² of 0.9919, compared to ResNet’s RMSE of 0.0188, MAE of 0.0122, MSE of 0.00035, and R² of 0.9899. With lower error values and higher accuracy, U-Net demonstrates superior capability in capturing rainfall patterns. The findings of this study conclude that U-Net is more effective in enhancing rainfall data resolution and more efficient in learning spatial patterns, making it a better choice for rainfall downscaling applications over the Java region.
Fuzzy Time Series Cheng Optimasi Adaptive Particle Swarm Optimization (APSO) untuk Optimalisasi Prediksi Harga Beras di Kota Surabaya Ulayya, Yasmin; Idhom, Mohammad; Diyasa, I Gede Susrama Mas
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

Harga beras rentan mengalami fluktuasi, berdampak signifikan pada kesejahteraan masyarakat, terutama kelompok berpendapatan rendah. Di Surabaya, kenaikan harga beras mendorong perlunya prediksi akurat untuk mitigasi dampak ekonomi. Penelitian ini bertujuan meramalkan harga beras menggunakan metode Fuzzy Time Series Cheng (FTS Cheng) yang dioptimalkan dengan Adaptive Particle Swarm Optimization (APSO) untuk menangani data non-linear dan fluktuatif. Data sekunder diambil dari Dinas Perindustrian dan Perdagangan Provinsi Jawa Timur (Siskaperbapo) periode 1 Januari 2023 hingga 31 Maret 2025, mencakup harga beras premium dan medium di Pasar Tambahrejo dan Pasar Wonokromo. Metode utama adalah FTS Cheng dengan optimasi APSO untuk meningkatkan akurasi prediksi. Model menunjukkan akurasi tinggi dengan MAPE (Mean Absolute Percentage Error) sangat rendah. Di Pasar Tambahrejo, MAPE beras premium 0,09% dan medium 0,00%. Di Pasar Wonokromo, MAPE premium 6,38% dan medium 0,85%. Optimasi APSO berhasil menurunkan MAPE, misalnya di Pasar Tambahrejo (premium turun 0,38%, medium turun 0,68%). Kombinasi FTS dan APSO menghasilkan prediksi harga beras yang presisi. Temuan ini dapat mendukung kebijakan stabilisasi harga, manajemen stok, dan perencanaan produksi beras lebih efektif, sekaligus meningkatkan stabilitas ekonomi rumah tangga.   Abstract Rice prices are prone to fluctuations, significantly impacting public welfare, especially low-income groups. In Surabaya, rising rice prices necessitate accurate predictions to mitigate economic impacts. This research aims to forecast rice prices using the Fuzzy Time Series Cheng (FTS Cheng) method optimized with Adaptive Particle Swarm Optimization (APSO) to handle non-linear and fluctuating data. Secondary data was obtained from the East Java Provincial Department of Industry and Trade (Siskaperbapo) for the period January 1, 2023, to March 31, 2025, covering premium and medium rice prices at Tambahrejo Market and Wonokromo Market. The main method is FTS Cheng with APSO optimization to improve prediction accuracy. The model demonstrates high accuracy with very low MAPE (Mean Absolute Percentage Error). At Tambahrejo Market, MAPE for premium rice is 0.09% and medium rice is 0.00%. At Wonokromo Market, MAPE for premium rice is 6.38% and medium rice is 0.85%. APSO optimization successfully reduces MAPE, for example at Tambahrejo Market (premium decreased by 0.38%, medium decreased by 0.68%). The combination of FTS Cheng and APSO produces precise rice price predictions. These findings can support price stabilization policies, stock management, and more effective rice production planning, while improving household economic stability.
Optimalisasi Prediksi Lama Studi Mahasiswa Menggunakan Rough Set dan Case-Based Reasoning Sutoyo, Muhammad Nurtanzis; Sutoyo, Muh. Nurtanzis; Adawiyah, Rabiah
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

Prediksi lama studi mahasiswa menjadi aspek penting dalam perencanaan akademik, evaluasi kinerja, serta identifikasi potensi keterlambatan kelulusan. Penelitian ini mengusulkan pendekatan hibrida dengan mengintegrasikan metode Rough Set dan Case-Based Reasoning untuk meningkatkan akurasi prediksi kelas lama studi mahasiswa. Metode Rough Set digunakan untuk mengekstraksi aturan klasifikasi berbasis kombinasi atribut IPK, status bekerja, dan status beasiswa, serta menghitung probabilitas kelas pada boundary region. Di sisi lain, metode CBR dimanfaatkan untuk menghitung similarity antar kasus berdasarkan kemiripan atribut, termasuk jumlah SKS yang dinormalisasi. Hasil prediksi dilakukan melalui integrasi probabilitas dari Rough Set dan similarity CBR menggunakan bobot kombinasi sebesar 0.6 dan 0.4. Pada pengujian kasus baru, diperoleh lima kasus historis paling mirip dengan similarity 0.97, empat di antaranya tergolong “Sangat Terlambat” dan satu “Terlambat”. Sementara itu, probabilitas dari Rough Set menunjukkan distribusi 0.667 untuk “Sangat Terlambat” dan 0.333 untuk “Terlambat”. Hasil integrasi memberikan skor akhir sebesar 0.720 untuk “Sangat Terlambat” dan 0.280 untuk “Terlambat”, yang menunjukkan sistem prediksi cenderung kuat terhadap kategori “Sangat Terlambat”. Pendekatan gabungan ini terbukti efektif dalam menggabungkan kekuatan generalisasi dari Rough Set dan fleksibilitas adaptif dari CBR, sehingga dapat digunakan sebagai sistem pendukung keputusan dalam evaluasi akademik berbasis data historis.   Abstract The forecast of student study length is essential for academic planning, performance assessment, and recognizing possible graduation delays. This study presents a hybrid methodology that combines Rough Set theory and Case-Based Reasoning techniques to enhance the precision of predicting student study length classifications. The Rough Set approach is employed to derive classification rules from combinations of attributes, including GPA, job status, and scholarship status, as well as to compute class probabilities inside the boundary region. Simultaneously, the CBR approach is utilized to assess similarity between cases based on attribute similarity, including normalized credit hours (SKS). The prediction results are produced by integrating Rough Set probability and CBR similarity, utilizing weighted values of 0.6 and 0.4, respectively. In the test case, five historical cases with similarity scores of 0.97 were identified, four classified as “Very Late” and one as “Late”. Rough Set probability were 0.667 for “Very Late” and 0.333 for “Late”. The conclusive integrated scores were 0.720 for “Very Late” and 0.280 for “Late”, signifying that the algorithm predominantly forecasts the “Very Late” category. This hybrid methodology adeptly integrates the generalization capabilities of Rough Set theory with the adaptive versatility of Case-Based Reasoning, rendering it appropriate as a decision support system for academic assessment grounded in historical data.
Evaluasi Model Bahasa untuk Klasifikasi Teks dengan Membership Inference Attack Muhammad, Fadlan; Muhammad, Fadhlan; Syalim, Amril; Alfa Krisnadhi, Adila
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

Seiring dengan semakin meluasnya penggunaan machine learning di berbagai industri, ancaman Membership Inference Attack (MIA) menimbulkan risiko keamanan yang signifikan terhadap model machine learning dengan memungkinkan penyerang menyimpulkan apakah data tertentu merupakan bagian dari data pelatihan model. Tidak hanya menjadi ancaman MIA memiliki berbagai manfaat lain jika diterapkan dengan tujuan yang baik, sehingga banyak penelitian dilakukan untuk mengkaji penerapan MIA. Penelitian ini mengevaluasi efektivitas MIA dalam berbagai skenario, dengan fokus pada model pretrained untuk tugas klasifikasi teks. Eksperimen dilakukan untuk mengeksplorasi tiga faktor utama yang mempengaruhi akurasi serangan: arsitektur model, jumlah model bayangan, dan sampel data. Parameter yang digunakan merupakan variabel mendasar yang dapat mempengaruhi kinerja MIA dari hasilnya dapat diketahui seberapa akurat MIA dilihat dalam perspektif sebagai alat forensic atau auditor. Hasil yang didapatkan dari variasi model dalam kondisi paling sederhana atau Base-Case berkisar antara 54-58% pada data IMDB dan 73-75% pada data sst2, dengan perubahan parameter seperti jumlah sampel data dan shadow model tidak merubah banyak, peningkatan dari penambahan shadow model baru terlihat setelah lebih dari 3 shadow model. Hasil dari variasi arsitektur model belum dapat dilihat secara jelas karena hasilnya masih sangat dipengaruhi data yang diambil secara acak. Jika dilihat hasil yang didapatkan memang angkanya masih belum lebih baik dari random guessing lemparan koin (50%), akan tetapi hasil yang diprediksi MIA merupakan jaminan performa yang konstan, dalam kondisi nyata random guessing memberikan hasil yang tidak menentu dalam setiap percobaan, sedangkan MIA akan memberikan hasil dengan cakupan nilai yang cenderung sama bergantung data yang digunakan.   Abstract As machine learning widely used in various industry. Membership inference attack (MIA) pose significant security risks to machine learning models by enabling attackers to infer whether specific data points were part of a model’s training set. Not only as threats MIA has in own benefits to be explored as it has function that also can be used as a tool such as plagiarism check. This study evaluates the effectiveness of MIA in various scenarios, focusing on text classification pretrained models. The experiments explore three main factors that influence the accuracy of the attack: model architecture, the number of shadow models, and sample data. The parameters used are fundamental variables that can influence the performance of MIA, and from the results, can be determined how accurate MIA is when viewed from the perspective of a forensic or auditing tool. The results obtained from various models in the simplest condition or Base Case range between 54–58% on the IMDB dataset and 73–75% on the SST-2 dataset. Changes in parameters such as the number of data samples and shadow models did not result in significant differences; improvements from adding shadow models only became noticeable after more than three shadow models were used. The results from variations in model architecture are not yet clearly visible because they are still heavily influenced by randomly selected data. In the results, the numbers are indeed not significantly better than random guessing or coin flipping (50%). However, the predictions made by MIA provide a guarantee of consistent performance. In real-world scenarios, random guessing yields inconsistent results with each trial, whereas MIA produces outcomes within a relatively consistent range depending on the data used.
Integrasi Mikrokontroler ATMEGA2560 dan Wi-Fi ESP8266 Untuk Rekayasa Smart Home Berbasis IoT T, Husain; Santi
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

Sistem keamanan rumah berbasis Internet of Things (IoT) yang dikembangkan dalam Smart Home Security System ini dirancang untuk memantau dan mengendalikan kondisi keamanan secara otomatis dari jarak jauh. Teknologi IoT memungkinkan perangkat-perangkat terintegrasi berkomunikasi melalui jaringan internet sehingga pengguna dapat melakukan pengawasan, pengontrolan, serta menerima laporan secara real-time dengan mudah dan efisien. Dalam penelitian ini, digunakan metode eksperimental dan pengujian komparatif dengan tahapan perancangan sistem dan perangkat keras, diikuti pengujian serta evaluasi kinerja sistem berdasarkan spesifikasi yang diharapkan. Sistem ini dibangun menggunakan mikrokontroler Arduino Mega 2560 dan modul WiFi ESP8266 yang menghubungkan perangkat ke internet . Berbagai sensor pendukung dipasang untuk meningkatkan fungsi keamanan, yaitu sensor MQ-6 untuk deteksi asap, MQ-2 untuk deteksi gas berbahaya, sensor PIR untuk mendeteksi gerakan, DHT-22 untuk memonitor suhu dan kelembaban, serta Magnetic Switch sebagai sensor pintu. Modul GPS NEO7 digunakan untuk pelacakan lokasi secara akurat, sementara modul SIM800L memungkinkan pengiriman notifikasi melalui SMS. Real-Time Clock (RTC) mengatur pencatatan waktu kejadian secara tepat, dan kontrol jarak jauh dilakukan melalui platform Telegram yang mudah diakses. Hasil pengujian menunjukkan sistem beroperasi sesuai rancangan dan menunjukkan kestabilan yang baik selama pengoperasian, menjadikannya solusi efektif dan praktis untuk keamanan rumah berbasis IoT.   Abstract The Internet of Things (IoT)-based home security system developed in this Smart Home Security System is designed to automatically monitor and control home security remotely. IoT technology enables interconnected devices to communicate via the internet, allowing users to easily and efficiently supervise, control, and receive real-time security reports. This study employs an experimental method and comparative testing, involving the design of the system and hardware, followed by performance testing and evaluation against expected specifications. The system is built using the Arduino Mega 2560 microcontroller and the ESP8266 WiFi module to connect devices to the internet. Various supporting sensors are integrated to enhance security functions, including the MQ-6 sensor for smoke detection, MQ-2 for hazardous gas detection, PIR sensor for motion detection, DHT-22 for monitoring temperature and humidity, and Magnetic Switch as a door sensor. The GPS NEO7 module is used for accurate location tracking, while the SIM800L module enables SMS notification delivery. A Real-Time Clock (RTC) module ensures precise event time-stamping, and remote control is facilitated via the easily accessible Telegram platform. The test results show that the system operates as designed and exhibits good stability during operation, making it an effective and practical IoT-based home security solution.

Page 2 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 (2015) Vol 2 No 2: Oktober 2015 Vol 2, No 1 (2015) Vol 2 No 1: April 2015 Vol 1 No 2: Oktober 2014 Vol 1, No 2 (2014) Vol 1 No 1: April 2014 Vol 1, No 1 (2014) More Issue