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 2: April 2026" : 25 Documents clear
Grey Wolf Optimizer untuk Seleksi Fitur pada Deteksi Kecacatan Perangkat Lunak Siswantoro, Muhammad Zain Fawwaz Nuruddin; Herumurti , Darlis
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 2: April 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

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

Abstract

Deteksi kecacatan perangkat lunak berperan penting dalam mengidentifikasi komponen yang berpotensi bermasalah sebelum kegagalan terjadi. Meskipun prediksi kecacatan dapat mengoptimalkan waktu pengembangan, menurunkan biaya, dan meningkatkan kepuasan pelanggan, efektivitasnya sangat bergantung pada pemilihan fitur yang relevan untuk model klasifikasi. Penelitian ini mengevaluasi penerapan Grey Wolf Optimizer (GWO) untuk seleksi fitur pada deteksi kecacatan perangkat lunak menggunakan Support Vector Machine (SVM), serta membandingkan kinerjanya dengan Genetic Algorithm (GA), Particle Swarm Optimization (PSO), dan Firefly Algorithm (FFA). Evaluasi dilakukan pada 12 dataset dari NASA Metrics Data Program (NASA MDP) dengan penerapan Synthetic Minority Oversampling Technique (SMOTE) untuk menangani ketidakseimbangan kelas. Hasil menunjukkan bahwa seleksi fitur berbasis GWO secara konsisten meningkatkan performa SVM dibandingkan penggunaan semua fitur, serta secara signifikan mengungguli metode berbasis GA, PSO, dan FFA pada seluruh dataset.   Abstract Software defect detection plays a crucial role in identifying potentially faulty components before failures occur. While defect prediction can optimize development time, reduce costs, and enhance customer satisfaction, its effectiveness largely depends on selecting the most relevant features for classification models. This study evaluates the application of the Grey Wolf Optimizer (GWO) for feature selection in software defect detection using a Support Vector Machine (SVM) and compares its performance with Genetic Algorithm (GA), Particle Swarm Optimization (PSO), and Firefly Algorithm (FFA). The evaluation, conducted on 12 datasets from the NASA Metrics Data Program (NASA MDP), incorporates the Synthetic Minority Oversampling Technique (SMOTE) to address class imbalance. Results show that GWO-based feature selection consistently improves SVM performance over using all features and significantly outperforms GA-, PSO-, and FFA-based approaches across all datasets.
Stabilisasi Pendulum Terbalik Menggunakan Linear Quadratic Gaussian dan Visualisasinya Iskandar , Refin Malikul; Susanto, Erwin; Rahmat, Basuki
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 2: April 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.132

Abstract

Pendulum terbalik tipe cart-pole merupakan representasi matematis dari salah satu sistem yang tidak stabil. Secara umum, konstruksi fisik pendulum terbalik tersusun atas gerobak atau cart dan batang pendulum. Tanpa mekanisme kendali, pendulum akan terus jatuh akibat gaya gravitasi karena sistem sangat tidak stabil. Pada studi ini digunakan metode  kendali Linear Quadratic Gaussian (LQG) untuk memaksa batang pendulum tegak vertikal sekitar sudut 0° sesuai posisi referensi yang diinginkan dengan menggerakkan cart. Pengujian dan simulasi menggunakan fitur MATLAB simulink, untuk model pendulum terbalik yang dikendalikan dengan LQG menghasilkan performansi dinamika sistem.  Hasil pengujian menunjukkan posisi cart paling stabil -3 m dari posisi awal, rise time 2,31 detik, settling time 2,44 detik dan sudut simpangan maksimum batang pendulum 1,9 ° disekitar posisi tegak vertikal. Untuk memverifikasi keberhasilan metode yang digunakan, visualisasi sistem kendali disajikan dengan Simmechanics dan Blender graph editor.   Abstract The cart-pole inverted pendulum is a mathematical representation of an unstable system. In general, the physical construction of an inverted pendulum consists of a cart and a pendulum rod. Without a control mechanism, the pendulum will continue to fall due to gravitational force because the system is highly unstable. In this study, the Linear Quadratic Gaussian (LQG) control method was used to force the pendulum rod to be vertical at an angle of approximately 0° according to the desired reference position by moving the cart. Testing and simulation using the MATLAB Simulink feature for the inverted pendulum model controlled by LQG produced the system's dynamic performance. The test results showed that the most stable cart position was -3 m from the initial position, with a rise time of 2.31 seconds, a settling time of 2.44 seconds, and a maximum pendulum rod deviation angle of 1.9° around the vertical position. To verify the success of the method used, the control system visualization was presented with Simmechanics and Blender graph editor.
Rancang Bangun Sistem Pemantauan dan Pengaturan Nutrisi pada Hidroponik Berbasis IoT Rafi, Barra; Sarosa, Moechammad; Sumari, Arwin; Evan, Agil
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 2: April 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.132

Abstract

Hidroponik adalah metode pertanian modern yang efisien dalam penggunaan sumber daya dan lingkungan, namun memerlukan pemantauan dan pengaturan nutrisi yang tepat agar tanaman dapat tumbuh dengan optimal. Penelitian ini mengenalkan sistem pemantauan dan pengaturan nutrisi berbasis Internet of Things (IoT) pada sistem hidroponik, dengan fokus pengujian pada tanaman selada. Sensor Total Dissolved Solids (TDS) dan sensor pH terhubung secara nirkabel untuk mengumpulkan data secara otomatis, sementara kamera ESP32-Cam merekam visual pertumbuhan tanaman. Data yang diperoleh dari sensor-sensor dikirim ke basis data Firebase lalu dilanjutkan ke aplikasi. Sistem ini dilengkapi dengan mekanisme otomatisasi untuk mengatur nutrisi berdasarkan parameter yang telah ditentukan. Pengujian dan evaluasi dilakukan pada sistem yang diimplementasikan dalam lingkungan hidroponik. Aplikasi memberikan pengguna kemampuan untuk memantau dan mengatur tingkat nutrisi tanaman selada secara real-time dari jarak jauh. Dengan menggunakan selada sebagai tanaman uji, penelitian ini menyediakan wawasan khusus tentang pengelolaan nutrisi yang efektif dalam konteks hidroponik. Sistem ini bertujuan meningkatkan efisiensi dan produktivitas pertanian hidroponik, sambil memberikan pengguna kemudahan dan aksesibilitas melalui aplikasi mobile yang terhubung secara digital. Hasil yang didapatkan dengan menggunakan sistem automasi didapatkan sistem pemantauan yang tidak kalah akurat dengan menggunakan pemantauan secara langsung. Secara keseluruhan nilai error menggunakan sensor TDS didapatkan antara 0%-3% dan nilai error pada sensor pH sebesar 1%-4%. Dengan demikian, penelitian ini memberikan kontribusi pada pengembangan pertanian modern. Sistem pemantauan dan pengaturan nutrisi pada hidroponik ini dapat membantu petani meningkatkan produktivitas, mengoptimalkan penggunaan sumber daya, dan mendukung pertanian berkelanjutan di masa depan.   Abstract Hydroponics is a modern agricultural method that is efficient in using resources and the environment, but requires proper monitoring and regulation of nutrition so that plants can grow optimally. This research introduces an Internet of Things (IoT)-based nutrient monitoring and regulation system in hydroponic systems, with a focus on testing on lettuce plants. The Total Dissolved Solids (TDS) sensor and pH sensor connect wirelessly to collect data automatically, while the ESP32-Cam camera records visuals of plant growth. Data obtained from sensors is sent to the Firebase database and then continued to the application. This system is equipped with an automation mechanism to regulate nutrition based on predetermined parameters. Testing and evaluation is carried out on systems implemented in a hydroponic environment. The app gives users the ability to monitor and manage lettuce plant nutrient levels in real-time remotely. By using lettuce as a test crop, this research provides specific insights into effective nutrient management in a hydroponic context. This system aims to increase the efficiency and productivity of hydroponic farming, while providing users with convenience and accessibility through a digitally connected mobile application. The results obtained by using an automation system produce a monitoring system that is no less accurate than using direct monitoring. Overall the error value using the TDS sensor was found to be between 0%-3% and the error value on the pH sensor was 1%-4%. Thus, this research contributes to the development of modern agriculture. This system for monitoring and regulating nutrients in hydroponics can help farmers increase productivity, optimize resource use, and support sustainable agriculture in the future.
Pemberian Bobot Kriteria dan Penambahan Fitur pada Metode SQL Complexity dalam Mengukur Kompleksitas Perangkat Lunak Subali, Made Agus Putra; Sugiartha, I Gusti Rai Agung; Putra, I Putu Aditya; Subawa, Made Dai
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 2: April 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.132

Abstract

Mengukur kompleksitas perangkat lunak secara adaptif sangat penting untuk dilakukan, karena dapat membantu project manager mengetahui usaha yang diperlukan dalam membangun perangkat lunak yang berkualitas. Pada penelitian terdahulu kompleksitas perangkat lunak diukur dengan memperhatikan penggunaan kriteria file model, view, dan controller, namun ketiga kriteria tersebut memiliki prioritas yang sama dalam proses, selain itu pada metode SQL Complexity belum dapat mengenali perintah transact SQL. Pada penelitian ini diusulkan metode untuk mengukur kompleksitas perangkat lunak yang lebih adaptif dengan tahapan proses, sebagai berikut: (1) pemberian bobot kriteria pada setiap file model, view, dan controller modul perangkat lunak, (2) perhitungan kompleksitas perintah SQL menggunakan metode SQL Complexity dengan penambahan fitur baru, antara lain function, store procedure, trigger, dan view, (3) pengukuran tingkat kemiripan antar modul perangkat lunak menggunakan metode Cosine Similarity. Pada penelitian ini menggunakan dua jenis data, meliputi: (1) data perhitungan metode SLOC, CC, dan SQL Complexity dari delapan modul perangkat lunak dan (2) data berbagai jenis perintah SQL. Berdasarkan hasil yang telah diperoleh metode yang diusulkan mampu beradaptasi dalam menentukan prioritas penggunaan ketiga kriteria modul perangkat lunak maupun fitur baru pada metode SQL Complexity dengan akurasi yang diperoleh sebesar 87.5% dalam mengukur kesesuaian kompleksitas modul perangkat lunak.   Abstract Adaptively measuring software complexity is very important, because it can help project managers know the effort required in building quality software. In previous studies, software complexity was measured by considering the use of model, view, and controller file criteria, but these three criteria have the same priority in the process. In addition, the SQL Complexity method cannot yet recognize transact SQL commands. In this research, it is proposed a method to measure software complexity with the following process steps: (1) assigning criteria weights to each model, view, and controller file of the software module, (2) calculating the complexity of SQL commands using the SQL Complexity method with the addition of new features, including functions, store procedures, triggers, and views, (3) measuring the level of similarity between software modules using the Cosine Similarity method. This study uses two types of data, including: (1) calculation data using the SLOC, CC, and SQL Complexity methods from eight software modules and (2) data on various types of SQL commands. Based on the results obtained, the proposed method can adapt in prioritizing the use of the three software module criteria and new features in the SQL Complexity method with an accuracy of 87.5% in measuring the suitability of software module complexity.
Pengembangan Sistem E-Learning Inklusif Cerdas untuk Tuna Netra dengan Integrasi Teknologi Voice Command dan Text-To-Speech Fandy Setyo, Utomo; Saputro, Rujianto Eko; Baihaqi, Wiga Maulana; Sarmini; Berlilana; Aptana, Naufal Yogi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 2: April 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.132

Abstract

Aksesibilitas menjadi tantangan utama dalam e-learning bagi penyandang tunanetra karena keterbatasan visual dalam memahami konten digital. Penelitian ini bertujuan mengembangkan sistem e-learning inklusif dengan fitur voice command dan text-to-speech untuk mendukung interaksi non-visual. Pengembangan sistem dilakukan menggunakan metode Agile Scrum dalam beberapa siklus sprint, yang mencakup tahapan product backlog, sprint planning, daily scrum, sprint review, dan sprint retrospective. Sistem dirancang dalam arsitektur tiga lapisan, dengan React.js pada sisi klien dan Node.js pada sisi server, serta mengintegrasikan layanan API Gemini untuk pemrosesan suara dan teks ke audio. Validasi sistem dilakukan secara internal melalui dokumentasi sprint review dan skenario pengujian teknis. Hasil dokumentasi sprint menunjukkan bahwa fitur ini berfungsi sesuai dengan skenario pengujian internal dan berpotensi meningkatkan aksesibilitas. Meskipun belum dievaluasi langsung oleh pengguna tunanetra, hasil pengembangan awal ini memberikan fondasi penting untuk pengujian lebih lanjut dan pengembangan sistem e-learning yang lebih inklusif.   Absctract Accessibility is a major challenge in e-learning for visually impaired individuals due to visual limitations in understanding digital content. This study aims to develop an inclusive e-learning system with voice command and text-to-speech features to support non-visual interaction. The system was developed using the Agile Scrum method in several sprint cycles, which included the product backlog, sprint planning, daily scrum, sprint review, and sprint retrospective stages. The system is designed with a three-layer architecture, using React.js on the client side and Node.js on the server side, and integrates the Gemini API service for voice and text-to-audio processing. System validation was conducted internally through sprint review documentation and technical testing scenarios. The sprint documentation results indicate that this feature functions according to internal testing scenarios and has the potential to improve accessibility. Although it has not yet been directly evaluated by visually impaired users, these initial development results provide an important foundation for further testing and the development of a more inclusive e-learning system.
Simplifikasi Graf Pemanggilan Fungsi: Pendekatan Community Detection Untuk Mempermudah Pemahaman Struktur Kode Tioria Marlini Purba, Risa; Purba, Risa Tioria Marlini; Tonang, Ari Sandy Putra Ari; Karim, Abdulah; Soekidjo, Gusti Ayu Putri Saptawati; Muhamad, Koyimatu; Arifiansyah, Fitra
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 2: April 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.132

Abstract

Dalam pengembangan perangkat lunak skala besar, pemahaman terhadap struktur kode sangat penting untuk menganalisis interaksi antar-fungsi dalam kode sumber. Graf pemanggilan fungsi (function call graph) merupakan kakas yang efektif untuk memetakan hubungan antar-fungsi, yang membantu pengembang dalam menelusuri jalur eksekusi dan memahami pola struktur kode modular yang kompleks. Namun, pada kode sumber yang rumit, graf pemanggilan fungsi sering kali menjadi sangat besar dan sulit diinterpretasi karena banyaknya node dan edge yang terlibat. Untuk mengatasi masalah ini, teknik simplifikasi graf melalui community detection diterapkan sebagai solusi untuk mengelompokkan fungsi-fungsi yang saling terkait dalam cluster, sehingga menghasilkan visualisasi yang lebih terstruktur dan mudah dipahami. Penelitian ini bertujuan untuk mengembangkan kakas berbasis Python yang mampu menyederhanakan graf pemanggilan fungsi menggunakan algoritma Girvan-Newman. Kakas ini memanfaatkan pustaka networkx untuk membentuk graf dan menerapkan deteksi komunitas, ast untuk parsing kode, serta matplotlib dan streamlit untuk visualisasi dan interaksi pengguna. Hasil eksperimen pada 10 program dengan ukuran 10-85 baris kode menunjukkan bahwa metode community detection mampu mereduksi jumlah node dan edge dalam graf pemanggilan fungsi hingga 60%, dengan skor modularitas tertinggi 0.6605. Evaluasi dengan 25 pengembang perangkat lunak menunjukkan tingkat kepuasan 80% dalam hal kemudahan penggunaan dan peningkatan produktivitas analisis kode.   Abstract In large-scale software development, understanding the code structure is crucial for analyzing the interactions between functions in the source code. A function call graph is an effective tool for mapping the relationships between functions, assisting developers in tracing execution paths and understanding object-oriented complex code structures. However, in complex source code, the function call graph often becomes very large and complicated to interpret due to the many nodes and edges involved. To address this issue, graph simplification techniques, such as community detection, are applied as a solution to group related functions into clusters, thereby producing a more structured and easier-to-understand visualization. This study aims to develop a Python-based tool that simplifies function call graphs using the Girvan-Newman algorithm. The tool utilizes the networkx library to construct graphs and apply community detection, ast for code parsing, and matplotlib and streamlit for visualization and user interaction. The results of experiments on 10 programs, ranging in size from 10 to 85 LOC, showed that the community detection method was able to reduce the number of nodes and edges in the function invocation graph by up to 60%, achieving the highest modularity score of 0.6605. An evaluation of 25 software developers revealed an 80% satisfaction rate in terms of ease of use and increased productivity in code analysis.
Deteksi Penyakit Pada Daun Tanaman Padi Berbasis Yolov8 Yasid, Achmad; Ni’mah, Ana Tsalitsatun; Ramadhaningtias, Risma; Wahyuningrum, Rima Tri
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 2: April 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.132

Abstract

Padi (Oryza sativa) merupakan sumber pangan utama di Indonesia yang rentan terhadap serangan penyakit daun seperti Brown Spot, Hispa, dan Leaf Blast. Penyakit ini menghambat fotosintesis dan berdampak pada produktivitas, sehingga deteksi dini sangat penting. Penelitian ini menerapkan metode deteksi objek berbasis YOLOv8n untuk mengidentifikasi tiga penyakit daun padi. Dataset yang digunakan terdiri dari 1.999 citra, yang mencakup 1.867 citra dari Kaggle Repository dan 132 citra hasil pengambilan data lokal di Bangkalan, Jawa Timur. Dataset dibagi menjadi 70% untuk pelatihan, 20% validasi, dan 10% pengujian. Evaluasi model menggunakan metrik mean Average Precision (mAP) dengan delapan skenario pelatihan, yakni kombinasi batch size (16, 32), epoch (100, 300), serta penggunaan augmentasi dan tanpa augmentasi. Hasil menunjukkan bahwa konfigurasi batch size 32 dengan 100 epoch, tanpa augmentasi menghasilkan performa terbaik dengan mAP sebesar 76,5%. Temuan ini menunjukkan bahwa YOLOv8n merupakan metode yang akurat, efisien, dan potensial untuk diimplementasikan pada perangkat mobile sebagai sistem peringatan dini penyakit daun padi.   Abstract Rice (Oryza sativa) is a major food source in Indonesia that is susceptible to leaf diseases such as Brown Spot, Hispa, and Leaf Blast. These diseases inhibit photosynthesis and impact productivity, so early detection is very important. This study applies the YOLOv8n-based object detection method to identify three rice leaf diseases. The dataset used consists of 1,999 images, which includes 1,867 images from the Kaggle Repository and 132 images from local data collection in Bangkalan, East Java. The dataset is divided into 70% for training, 20% validation, and 10% testing. The evaluation model uses the mean Average Precision (mAP) metric with eight training scenarios, namely a combination of batch size (16, 32), epochs (100, 300), and the use of augmentation and without augmentation. The results show that the configuration of batch size 32 with 100 epochs, without augmentation produces the best performance with an mAP of 76.5%. These findings indicate that YOLOv8n is an accurate, efficient, and potential method to be implemented on mobile devices as an early warning system for rice leaf diseases.
Fitur Information Gain untuk Meningkatkan Nilai Performa Pengklasifikasi Machine Learning pada Analisis Sentimen Komentar Spam Pengguna Youtube Jasmir, Jasmir; Gunardi, Gunardi; Rohaini, Eni; Naibaho, Ronald; Sukoco, Bambang; Jasmir , Jasmir
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 2: April 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.132

Abstract

Perkembangan pesat media sosial telah memberikan ruang bagi setiap individu untuk menyampaikan pendapat, baik berupa komentar positif maupun negatif terhadap konten yang mereka akses. Kemudahan dalam memberikan opini secara daring ini berdampak pada semakin besarnya jumlah ulasan yang tersedia. Namun, volume ulasan yang sangat besar sering kali sulit untuk dianalisis secara manual dan berpotensi menimbulkan bias dalam penilaian. Untuk mengatasi permasalahan tersebut, diperlukan pendekatan otomatis melalui klasifikasi sentimen yang bertujuan mengelompokkan opini pengguna ke dalam kategori positif atau negatif. Dalam penelitian ini digunakan tiga algoritma pembelajaran mesin, yaitu Naïve Bayes (NB), K-Nearest Neighbor (KNN), dan Random Forest (RF). Data penelitian diperoleh dari public dataset UCI Machine Learning. Fokus penelitian adalah meningkatkan kinerja klasifikasi dengan memanfaatkan teknik seleksi fitur information gain. Hasil eksperimen menunjukkan bahwa penerapan information gain secara konsisten meningkatkan performa semua algoritma yang diuji, baik pada metrik akurasi, presisi, recall, maupun f1-score. Naïve Bayes awalnya memperoleh akurasi tertinggi sebesar 74,33% pada kondisi tanpa fitur tambahan. Namun, setelah penerapan information gain, algoritma KNN menunjukkan hasil paling optimal dengan akurasi mencapai 81,28% serta performa yang relatif seimbang pada semua metrik evaluasi. Sementara itu, Random Forest juga mengalami peningkatan, meskipun tidak melampaui KNN. Secara keseluruhan, penelitian ini menegaskan bahwa pemilihan fitur yang relevan melalui information gain mampu meningkatkan efisiensi dan efektivitas klasifikasi sentimen, serta dapat menjadi pendekatan yang potensial untuk menganalisis opini dalam skala besar.   Abstract The rapid growth of social media has provided individuals with the opportunity to freely express their opinions, whether positive or negative, toward the content they encounter. The increasing ease of sharing opinions online has resulted in a massive volume of user reviews. However, the large number of reviews is difficult to analyze manually and may introduce bias in interpretation. To address this issue, sentiment classification is applied to automatically categorize user opinions into positive or negative classes. In this study, three machine learning algorithms were employed: Naïve Bayes (NB), K-Nearest Neighbor (KNN), and Random Forest (RF). The dataset was obtained from the public UCI Machine Learning repository. The main objective of this research is to improve classification performance by utilizing feature selection through the information gain method. Experimental results demonstrate that applying information gain consistently enhances the performance of all evaluated algorithms across multiple metrics, including accuracy, precision, recall, and F1-score. Without feature selection, Naïve Bayes achieved the highest accuracy of 74.33%. However, after applying information gain, KNN outperformed the other algorithms by reaching an accuracy of 81.28% and exhibited balanced results across all evaluation metrics. Random Forest also showed improvement but did not surpass the performance of KNN. Overall, these findings highlight the importance of feature selection in improving both the efficiency and effectiveness of sentiment classification. Furthermore, the use of information gain proves to be a promising approach for large-scale opinion analysis, particularly in handling the high dimensionality of textual data.
Implementasi Sistem Pemantauan dan Pengendalian Pada Budidaya Jamur Tiram Berbasis Internet Of Things Menggunakan Logika Fuzzy Hidayat, Irsan Nur; Ulum, Muhamad Bahrul
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 2: April 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.132

Abstract

Jamur tiram saat ini mulai banyak dibudidayakan oleh masyarakat perkotaan. Namun, suhu dan kelembapan yang ada di perkotaan kurang sesuai untuk pertumbuhan jamur tiram yang membutuhkan suhu 24 – 27 ºC dan kelembapan 80 – 90%. Penelitian ini bertujuan untuk mengembangkan sistem berbasis Internet of Things dan Logika Fuzzy dengan Metode Tsukamoto yang dapat memantau serta mengendalikan kondisi suhu dan kelembapan pada kumbung jamur tiram. Pengujian membuktikan bahwa sistem mampu memantau kondisi suhu dan kelembapan secara real time dan menginformasikannya kepada petani. Selain itu, sistem juga terbukti dapat menjaga kondisi kumbung pada suhu rata-rata 25,96 ºC dan kelembapan rata-rata 87,18%. Penggunaan sistem ini juga berdampak positif terhadap keberhasilan pertumbuhan jamur tiram jika dibandingkan dengan jamur tiram dalam kumbung manual yang mengalami gagal panen. Dengan demikian, sistem ini telah berhasil mendukung keberhasilan budidaya jamur tiram pada lingkungan perkotaan.   Abstract Oyster mushrooms are currently being cultivated by many urban communities. However, the temperature and humidity in urban areas are not suitable for the growth of oyster mushrooms, which require a temperature of 24–27 ºC and humidity of 80–90%. This study aims to develop an Internet of Things and Fuzzy Logic-based system Fuzzy Logic using the Tsukamoto method to monitor and control temperature and humidity conditions in oyster mushroom greenhouses. Testing demonstrated that the system can monitor temperature and humidity conditions in real time and communicate this information to farmers. Additionally, the system has been proven to maintain the cultivation house conditions at an average temperature of 25.96°C and an average humidity of 87.18%. The use of this system also has a positive impact on the success of oyster mushroom growth when compared to oyster mushrooms in manual sheds that experience crop failure. Thus, this system has successfully supported the cultivation of oyster mushrooms in urban environments.
Teknologi AI pada Budidaya Vanili Menuju Pertanian Pintar: Review Notonegoro, Radityo Hendratmojo Jati; Rahayu, Dewi Agushinta; Ikasari, Diana; Kosasih, Rifki
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 2: April 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.132

Abstract

Perkembangan teknologi kecerdasan buatan dan penerapan Deep Learning telah memberikan kemudahan dalam identifikasi objek dengan bantuan mesin. Salah satu pendekatan dalam Deep Learning, yaitu Convolutional Neural Network (CNN), memiliki potensi besar untuk diterapkan di sektor pertanian, khususnya dalam pengelolaan penyakit dan hama pada tanaman. Komoditas vanili pada tahun 2022 mengalami peningkatan permintaan global yang signifikan, namun ekspor vanili Indonesia hanya memenuhi 2,63% dari total ekspor dunia. Salah satu penyebab utama rendahnya ketersediaan vanili adalah serangan penyakit dan hama yang menghambat pertumbuhannya. Penelitian ini bertujuan untuk mengeksplorasi penerapan CNN dalam mengidentifikasi penyakit pada tanaman vanili, yaitu Sclerotium, Fusarium, dan Colletotrichum. Metode yang digunakan adalah pelatihan model CNN untuk mengenali gambar tanaman yang sehat dan yang terinfeksi penyakit. Hasil penelitian menunjukkan bahwa model CNN berhasil mengidentifikasi penyakit dengan akurasi keseluruhan sebesar 71%, mencakup tanaman sehat dan yang terinfeksi penyakit. Temuan ini menunjukkan bahwa teknologi CNN dapat menjadi alat yang efektif dalam mendukung deteksi dini penyakit dan pengelolaan tanaman vanili, serta berpotensi meningkatkan produksi komoditas vanili di Indonesia. Abstract The development of artificial intelligence technology and the application of Deep Learning have made object identification easier with machine assistance. One of the approaches in Deep Learning, namely Convolutional Neural Networks (CNN), holds great potential for application in the agricultural sector, particularly in the management of diseases and pests in plants. In 2022, the global demand for vanilla significantly increased, but Indonesia's vanilla exports only accounted for 2.63% of the world's total vanilla exports. One of the main factors behind the low availability of vanilla is the attack of diseases and pests that hinder its growth. This study aims to explore the application of CNN in identifying diseases in vanilla plants, namely Sclerotium, Fusarium, and Colletotrichum. The method used involves training a CNN model to recognize images of healthy plants and those infected with diseases. The results show that the CNN model successfully identified diseases with an overall accuracy of 71%, including both healthy plants and those affected by disease. These findings suggest that CNN technology can be an effective tool in supporting early disease detection and the management of vanilla plants, with the potential to increase vanilla production in Indonesia.

Page 1 of 3 | Total Record : 25

 1   2   3 

Filter by Year

2026 2026


Reset
Filter By Issues
All Issue Vol 13 No 2: April 2026 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