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 26 Documents
 1   2   3 
Search results for , issue "Vol 7 No 4: Agustus 2020" : 26 Documents clear
Steganalisis Blind dengan Metode Convolutional Neural Network (CNN) Yedroudj- Net terhadap Tools Steganografi Hidayasari, Nurmi; Riadi, Imam; Prayudi, Yudi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 4: Agustus 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020703326

Abstract

Steganalisis digunakan untuk mendeteksi ada atau tidaknya file steganografi. Salah satu kategori steganalisis adalah blind steganalisis, yaitu cara untuk mendeteksi file rahasia tanpa mengetahui metode steganografi apa yang digunakan. Sebuah penelitian mengusulkan bahwa metode Convolutional Neural Networks (CNN) dapat mendeteksi file steganografi menggunakan metode terbaru dengan nilai probabilitas kesalahan rendah dibandingkan metode lain, yaitu CNN Yedroudj-net. Sebagai metode steganalisis Machine Learning terbaru, diperlukan eksperimen untuk mengetahui apakah Yedroudj-net dapat menjadi steganalisis untuk keluaran dari tools steganografi yang biasa digunakan. Mengetahui kinerja CNN Yedroudj-net sangat penting, untuk mengukur tingkat kemampuannya dalam hal steganalisis dari beberapa tools. Apalagi sejauh ini, kinerja Machine Learning masih diragukan dalam blind steganalisis. Ditambah beberapa penelitian sebelumnya hanya berfokus pada metode tertentu untuk membuktikan kinerja teknik yang diusulkan, termasuk Yedroudj-net. Penelitian ini akan menggunakan lima alat yang cukup baik dalam hal steganografi, yaitu Hide In Picture (HIP), OpenStego, SilentEye, Steg dan S-Tools, yang tidak diketahui secara pasti metode steganografi apa yang digunakan pada alat tersebut. Metode Yedroudj-net akan diimplementasikan dalam file steganografi dari output lima alat. Kemudian perbandingan dengan tools steganalisis lain, yaitu StegSpy. Hasil penelitian menunjukkan bahwa Yedroudj-net bisa mendeteksi keberadaan file steganografi. Namun, jika dibandingkan dengan StegSpy hasil gambar yang tidak terdeteksi lebih tinggi.AbstractSteganalysis is used to detect the presence or absence of steganograpy files. One category of steganalysis is blind steganalysis, which is a way to detect secret files without knowing what steganography method is used. A study proposes that the Convolutional Neural Networks (CNN) method can detect steganographic files using the latest method with a low error probability value compared to other methods, namely CNN Yedroudj-net. As the latest Machine Learning steganalysis method, an experiment is needed to find out whether Yedroudj-net can be a steganalysis for the output of commonly used steganography tools. Knowing the performance of CNN Yedroudj-net is very important, to measure the level of ability in terms of steganalysis from several tools. Especially so far, Machine Learning performance is still doubtful in blind steganalysis. Plus some previous research only focused on certain methods to prove the performance of the proposed technique, including Yedroudj-net. This research will use five tools that are good enough in terms of steganography, namely Hide In Picture (HIP), OpenStego, SilentEye, Steg and S-Tools, which is not known exactly what steganography methods are used on the tool. The Yedroudj-net method will be implemented in a steganographic file from the output of five tools. Then compare with other steganalysis tools, namely StegSpy. The results showed that Yedroudj-net could detect the presence of steganographic files. However, when compared with StegSpy the results of undetected images are higher.
Analisis Rekomendasi Calon Debitur Motor pada PT.XYZ menggunakan Algortima C 4.5 Nurellisa, Lilis; Fitrianah, Devi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 4: Agustus 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020742080

Abstract

PT.XYZ merupakan perusahaan jasa pembiayaan atau leasing dengan berkonsentrasi kepada pembiayaan sepeda motor. Dalam bisnisnya PT.XYZ sering sekali dihadapkan oleh masalah kredit macet atau bahkan penipuan. Hal ini dikarenakan kesalahan dalam pemberian kredit kepada calon debitur yang tidak potensial. Jika tidak ditangani hal ini tentu saja akan berdampak buruk bagi perusahaan. Perusahaan mengalami penurunan kemampuan dalam membayar angsuran pinjaman ke perbankan bahkan dapat berdampak pada kebangkrutan. Dalam hal ini PT.XYZ perlu melalukan analisis untuk menentukan calon debitur yang potensial dengan menggunakan data driven method atau pendekatan berbasis kepada data. Yaitu pengambilan keputusan dengan melihat data pengajuan kredit yang pernah ada sebelumnya yang disebut juga sebagai supervised learning. Algoritma yang digunakan adalah algoritma C4.5 karena algoritma ini dapat mengklasifikasi data yang sudah ada sebelumnya. Dengan algoritma ini akan dihasilkan sebuah pohon keputusan yang akan membantu PT.XYZ dalam pengambilan keputusan. Dengan pengujian menggunakan 3587 sampel data pengajuan kredit dalam kurun waktu 1 tahun akurasi yang didapatkan ialah 97,96%. Dengan begitu hal ini menunjukkan bahwa metode klasifikasi menggunakan algoritma C4.4 berhasil diimplementasikan dengan baik. Hal ini diharapkan dapat membantu PT.XYZ dalam merekomendasikan calon debitur yang potensial. AbstractPT. XYZ is a finance or leasing service company by concentrating on motorcycle financing. In its business, PT. XYZ is often faced with problems of bad credit or even fraud. This is due to an error in giving credit to potential debtors. If it is not handled this, of course, will have a bad impact on the company. Companies experiencing a decline in the ability to repay loan installments to banks can even have an impact on bankruptcy. In this case, PT. XYZ needs to do an analysis to determine potential debtors using data-driven methods or data-based approaches. That is decision making by looking at credit application data that has never been before, which is also called supervised learning. The algorithm used is the C4.5 algorithm because this algorithm can classify pre-existing data. With this algorithm, a decision tree will be produced that will help PT. XYZ in decision making. By testing using 3587 samples of credit filing data within a period of 1 year the accuracy obtained was 97.96%. That way this shows that the classification method using the C4.4 algorithm is successfully implemented properly. This is expected to help PT. XYZ in recommending potential debtors.
Pengenalan Karakter Tulisan Tangan Menggunakan Ekstraksi Fitur Bentuk Berbasis Chain Code Mawaddah, Saniyatul; Suciati, Nanik
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 4: Agustus 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020742022

Abstract

Pengenalan karakter tulisan tangan pada citra merupakan suatu permasalahan yang sulit untuk dipecahkan, dikarenakan terdapat perbedaan gaya penulisan pada setiap orang. Tahapan proses dalam pengenalan tulisan tangan diantaranya adalah preprocessing, ekstraksi fitur, dan klasifikasi. Preprocessing dilakukan untuk merubah citra tulisan tangan menjadi citra biner yang hanya mempunyai ketebalan 1 pixel melalui proses binerisasi dan thining. Kemudian pada tahap ekstraksi fitur, dipilih fitur bentuk karena fitur bentuk memiliki peran yang lebih penting dibanding 2 fitur visual lainnya (warna dan tekstur) pada pengenalan karakter tulisan tangan. Metode ekstraksi fitur bentuk yang dipilih dalam penelitian ini adalah metode berbasis chain code karena metode tersebut sering digunakan dalam beberapa penelitian pengenalan tulisan tangan. Pada penelitian ini, dilakukan studi kinerja dari ekstraksi fitur berbasis chain code pada pengenalan karakter tulisan tangan untuk mengetahui metode terbaiknya. Tiga metode ekstraksi fitur berbasis chain code yang digunakan dalam penelitian ini adalah freeman chain code, differential chain code dan vertex chain code. Setiap citra karakter diekstrak menggunakan 3 metode tersebut dengan tiga cara yaitu ekstraksi secara global, lokal 3x3, 5x5, dan 7x7. Setelah esktraksi fitur, dilakukan proses klasifikasi menggunakan support vector machine (SVM). Hasil eksperimen menunjukkan akurasi terbaik adalah pada model citra 7x7 dengan nilai akurasi freeman chain code sebesar 99.75%, differential chain code sebesar 99.75%, dan vertex chain code sebesar 98.6%.AbstractThe recognition of handwriting characters images is a difficult problems to be solved, because everyone has a different writing style. The step of handwriting recognition process are preprocessing, feature extraction, and classification. Preprocessing is done to convert handwritten images into binary images that only have 1 pixel thickness by using binarization and thinning. Then, in the feature extraction we select shape feature because it is more important than two other visual features (color and texture) in handwriting character recognition. Shape feature extraction method chosen in this research is chain code method because this method is often used in several studies for handwriting recognition. In this study, a performance study of feature extraction based on chain codes was carried out on handwriting character recognition to know the best chain code method. The three shape feature extraction based on chain code used in this study are freeman, differential and vertex chain codes. Each character image is extracted using these 3 methods in three ways: extraction globally, local 3x3, 5x5, and 7x7. After the extraction feature, the classification process is carried out using the support vector machine (SVM). The experimental results show that the best accuracy is in the 7x7 image model with the value of freeman chain code accuracy of 99.75%, the differential chain code of 99.75%, and the vertex chain code of 98.6%.
Pengembangan Mobile based Question Answering System dengan Basis Pengetahuan Ontologi Yunmar, Rajif Agung; Wisesa, I Wayan Wiprayoga
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 4: Agustus 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020742255

Abstract

Informasi terkait kegiatan penerimaan mahasiswa baru (PMB) sesungguhnya telah banyak tersedia pada halaman web maupun brosur. Namun demikian, dimungkinkan terdapat berbagai informasi yang tidak dapat ditemukan secara langsung dalam media tersebut. Penggunaan mesin pencari juga tidak menjamin pengguna untuk mendapatkan informasi atau jawaban yang relevan dengan kebutuhan. Melakukan kunjungan ke kampus seringkali terkendala oleh jarak, waktu, dan jam kerja. Dalam penelitian ini, dikembangkan sebuah question answering system (QAS) terkait penerimaan mahasiswa baru agar pengguna mendapakan informasi yang sesuai dengan kebutuhannya, selalu bernilai benar, dan dapat diakses kapan saja. QAS dibangun dengan arsitektur tree tier dengan aplikasi mobile sebagai antarmuka, memanfaatkan metode pengolahan bahasa alami dalam memproses pertanyaan pengguna, dan ontologi sebagai basis pengetahuannya. Penelitian ini menggunakan model pengembangan SDLC, dengan model analisis yang digunakan yaitu: analisis kebutuhan sistem, analisis rancangan sistem, implementasi sistem, dan pengujian sistem. Pengujian terhadap sistem dilakukan dengan beberapa cara, yaitu: usability testing, dan pengujian akurasi jawaban. Pengujian menunjukkan QAS yang dibangun dapat diimplementasikan dengan baik sesuai dengan kebutuhan dengan akurasi jawaban sebesar 82.14%. AbstractThe information regarding student admissions and related activities can be found and widely available on website or brochures. However, it is possible that the relevant information cannot be found directly from the media. The use of search engines also doesn’t guarantee users to get the relevant answer or information that satisfy their needs. Visiting the campus is often constrained by distance, time or working hours. In this study, a question answering system related to student admissions was developed so that users get the information that fits thier need, always give the correct answers, and can be accessed anytime. The QAS is built with a tree tier architecture with a mobile application as an interface. Natural language processing methods uses to process user questions, and ontology uses as the knowledge base. This study uses the SDLC development model, with the analysis model used namely: system requirements analysis, system design analysis, system implementation, and system testing. Testing the system is done by several ways, namely: usability testing, and test the accuracy of answers. The tests shows that the QAS can successfully implemented according to the requirement, with the accuracy of answer is 82.14%.
Pengaruh Implementasi Moodle dan Model Pembelajaran Kolaboratif pada Lingkungan Blended Learning terhadap Peningkatan Pemahaman Belajar Mahasiswa Junus, Fadhla Binti; Andula, Nur
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 4: Agustus 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020743289

Abstract

Lemahnya pemahaman mahasiswa terhadap substansi perkuliahan mengharuskan tenaga pengajar untuk mengulangi pengajaran terkait materi yang belum dipahami tersebut. Hal ini telah mengakibatkan tidak tercapainya capaian pembelajaran yang telah disusun. Kajian ini bertujuan untuk mengukur dampak penggunaan sistem manajemen pembelajaran berbasis Moodle dan model pembelajaran kolaboratif pada  blended learning (b-learning) classroom terhadap peningkatan pemahaman mahasiswa.  Metode riset yang diaplikasikan yaitu perancangan pra-eksperimental dengan model single group before-and-after design yang melibatkan 104 responden dari mahasiswa Program Studi Pendidikan Teknologi Informasi, Fakultas Tarbiyah dan Keguruan, Universitas Islam Negeri Ar-Raniry yang sedang mengikuti mata kuliah Pengantar E-learning. Adapun instrumen penelitian berupa angket yang disebarkan pada fase sebelum dan sesudah penerapan Moodle dan pembelajaran kolaboratif dilaksanakan. Berdasarkan teknik analisis regresi linier berganda menggunakan piranti lunak SPSS ditemukan bahwa estimasi pengaruh kedua variabel independen sebesar 81,6% pada tahapan pretest, namun prediksi tersebut bertentangan dengan temuan yang didapat pada fase posttest yang mengindikasikan bahwa persentase implementasi Moodle dan model kolaboratif terhadap pemahaman mahasiswa hanya berpengaruh sebesar 49,9%. Dengan demikian disimpulkan bahwa hipotesis yang diajukan ditolak dikarenakan tidak terjadi peningkatan pemahaman mahasiswa. Hal ini diperoleh berdasarkan output Model Summaryb dimana nilai kedua koefisien R Square dan Adjusted R Square pada angket posttest lebih kecil nilainya dibandingkan dengan angket pretest. AbstractStudents’ lack of understanding toward lecture materials requires extra time in teaching. This has resulted in unfulfilling the designed learning outcomes. This work aims to measure the impact of using the Moodle learning management system (LMS) and collaborative learning model on improving student understanding in blended learning (b-learning) classrooms. The research method used was a pre-experimental design with a single group before-and-after design model involving 104 respondents from the Information Technology Education Study Program at the Ar-Raniry State Islamic University who were attending the E-learning Introductory course. The use of a questionnaire as the research’s instrument was distributed in the ‘before’ and ‘after’ phases of Moodle implementation and collaborative learning were carried out. According to the results of multiple linear regression analysis using SPSS software, it was found that the influence of the estimated value of the two independent variables was 81.6% at the pretest stage, but these predictions contradicted the findings obtained at the posttest phase which indicated that the percentage of Moodle implementation and collaborative models was only effect of 49.9% on students’ understanding. In conclusion, thus, the proposed hypothesis was rejected because there was no increment in students’ understanding. This was based on the Summaryb Model output where the values of both R Square and Adjusted R Square coefficients on the posttest questionnaire were smaller than the pretest questionnaire.
Komparasi Kinerja Algoritma C4.5, Gradient Boosting Trees, Random Forests, dan Deep Learning pada Kasus Educational Data Mining Mutrofin, Siti; Machfud, M. Mughniy; Satyareni, Diema Hernyka; Ginardi, Raden Venantius Hari; Fatichah, Chastine
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 4: Agustus 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020742665

Abstract

Penentuan jurusan di SMA Negeri 1 Jogoroto, Jombang, Jawa Timur menggunakan kurikulum 2013, di mana penentuan jurusan siswa tidak hanya melibatkan keinginan siswa, tes peminatan yang dilakukan siswa di SMA pada minggu pertama, tetapi juga dilengkapi dengan nilai siswa semasa di SMP (nilai rapor siswa, nilai Ujian Nasional, serta rekomendasi guru Bimbingan Konseling), rekomendasi orang tua siswa. Selama ini, sekolah menggunakan proses konvensional dalam menentukan jurusan, yaitu menggunakan Microsoft Excel, yang cenderung lama serta rawan akan kekeliruan dalam melakukan penghitungan. Penentuan jurusan ini dilakukan setiap awal ajaran baru pada siswa baru kelas X. Rata-rata setiap tahun, sekolah mengelola siswa sejumlah 290 dengan waktu dan sumber daya manusia yang terbatas. Pada penelitian ini, penggunaan algoritma ID3 tidak cocok karena data bertipe numerik, sedangkan ID3 hanya mampu menggunakan data bertipe nomial maupun polinomial, sehingga diganti algoritma C4.5. Namun, beberapa penelitian mengatakan algoritma C4.5 memiliki kinerja kurang bagus dibandingkan algoritma Gradient Boosting Trees, Random Forests, dan Deep Learning. Untuk itu, dilakukan perbandingan antara keempat metode tersebut untuk melihat keefektifannya dalam menentukan jurusan di SMA. Data yang digunakan pada penelitian ini adalah data penerimaan siswa baru tahun ajaran 2018/2019. Hasil dari penelitian ini menunjukkan jika atribut yang digunakan bertipe polinomial dengan Deep Learning memiliki kinerja paling unggul untuk semua algoritma jika menggunakan fungsi activation ExpRectifier. Sedangkan jika atributnya bertipe numerik, Deep Learning memiliki kinerja paling unggul untuk semua algoritma jika menggunakan fungsi Tanh untuk semua random sampling. Namun, Deep Learning memiliki kinerja paling buruk untuk semua algoritma jika menggunakan loss Function berupa absolut.  Abstract In SMAN 1 Jombang, East Java, the process of determining the students’ majors referred to the 2013 curriculum in which not only the students’ own choices and specialization tests conducted in their first week of SMA were considered but also the student’s SMP grades (a report card, UN scores, and counseling teacher’s recommendation) and parents' recommendation. So far, the school had used Microsoft Excel which required a long time to do and was prone to calculation errors in the process of determination. The process was carried out, with limited time and human resources, at the beginning of a new academic year for grade X students, consisting of 290 students on average. In this present research, the use of ID3 algorithm was not suitable because of its numeric data type instead of nominal or polynomial data. Thus, the C4.5 algorithm was applied, instead. However, the performance of C4.5 algorithm was proved lower than the algorithms of Gradient Boosting Trees, Random Forests, and Deep Learning. Hence, a comparison of performance between them was done to see their effectiveness in the process. The data was the list of new students of the academic year 2018/2019. The results showed that if the attributes are polynomial, the Deep Learning algorithm had the best performance when using the ExpRectifier activation function. When they were numeric, Deep Learning has the most superior performance when using the Tanh function. However, Deep Learning has the worst performance when using the loss function in the form of absolute.
Analisis Faktor Latar Belakang Penyebaran Pesan atau Informasi Melalui Aplikasi Media Sosial ( Studi Kasus Mahasiswa di Indonesia) Surjandy, Surjandy; Meyliana, Meyliana; Condrobimo, A.Raharto; Fernando, Erick
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 4: Agustus 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020742092

Abstract

Penggunaan aplikasi media sosial sebagai sarana untuk menyebarkan pesan sangat penting dan dipercaya dapat mempengaruhi penerima pesan untuk membantu menyebarkan kembali pesan yang diterima kepada orang lain, penggunaan aplikasi media sosial untuk keperluan industri seperti untuk iklan atau pemasaran produk.  Namun pesan yang tersebar di media sosial sangat rentan sehingga sangat memungkinkan pesan telah dilakukan modifikasi atau perubahan sehingga menjadi pesan yang tidak benar (hoax/fake news) yang kemudian disebar luaskan melalui aplikasi media sosial.  Dari hal tersebut, pada penelitian ini yang menggunakan explanatory (causal) research atau penelitian yang mencari hubungan antar dua faktor.  Sebagai sampel responden pengguna terbesar internet di Indonesia saat ini adalah mahasiswa sebesar 127,9 juta menurut AJPII, oleh sebab itu penelitian ini mencoba untuk melakukan explorasi bagimana pengaruh latar belakang penyebar pesan dalam hal ini mahasiswa seperti jenis kelamin, umur, tingkat semester, dan waktu yang digunakan menggunakan aplikasi media sosial yang digunakan, apakah mempengaruhi mahasiswa atau mahasiswi dalam melakukan penyebaran informasi/pesan melalui aplikasi media sosial.  Aplikasi SPSS digunakan untuk memvalidasi data dan fungsi Correlation Bivariat digunakan untuk memproses data dalam mencari hubungan antara dua faktor.  Dari penelitian ini ditemukan 5 pasangan faktor yang mempunyai hubungan untuk mempengaruhi, dimana dari temuan ini akan sangat bermanfaat untuk penelitian selanjutnya. AbstractThe use of social media applications as a means to disseminate messages is very essential and is believed to affect the recipient of the message to help redistribute messages received to other, the use of social media applications for industrial purposes such as advertising or product marketing.  However, messages spread on social media are very vulnerable, so it is possible for messages to have been modified or changed so that they become untrue messages (hoaxes) which are then disseminated through social media applications.  From this, in this study using explanatory (causal) research or research that seeks relationships between two factors. As the sample 388 respondents of the total population users of the internet in Indonesia students are 127.9 million according to AJPII, therefore this study tries to explore how the influence of the message disseminator background in this case university students such as gender, age, semester level, and time which is used using social media applications that are used, whether it affects university student in disseminating information / messages through social media applications.  The SPSS applications is used to validated data and the Bivariate Correlation functions is used to process data in finding relationships between two factors. From this study found 5 pairs of factors that have relationship to influence, it means gender and longtime use media sosial as an essential factor to minimise dissemination of hoax or fake news which of these findings will be very useful for future research. 
Sistem Pakar Diagnosis Penyakit Ikan Gurami (Osphronemus Goramy) Menggunakan Case Based Reasoning Saraswati, Adinda Rahmi; Saintika, Yudha; Thohari, Afandi Nur Aziz; Iskandar, Ade Rahmat
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 4: Agustus 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020701953

Abstract

Ikan Gurami (Osphronemus Goramy) merupakan ikan yang banyak dibudidayakan dan dikomsumsi masyarakat ini menjadi sektor unggulan di beberapa wilayah kabupaten Banyumas. Ikan gurami yang dibudidayakan oleh masyarakat Banyumas, sebenarnya bukan tanpa hambatan. Salah satu hambatan bagi peternak gurami adalah penyakit yang disebabkan oleh bakteri. Pada penelitian ini penulis membuat sistem pakar untuk mendiagnosis penyakit ikan Gurami yang disebabkan bakteri. Penelitian ini menggunakan metode Case Based Reasoning dan Similarity Nearest Neighbor untuk mendapatkan solusi yang terbaik dari kasus yang di identifikasi. Metode tersebut membandingkan antara kasus lama dengan kasus baru dan menghitung suatu nilai similarity kasus. Nilai similarity tertinggi dapat dijadikan kesimpulan untuk kasus yang paling mirip dengan diagnosa pakar. Sehingga dari kedua metode tersebut dapat dihasilkan sistem pakar yang dapat mendiagnosis dan menganalisis sesuai dengan nilai kemiripan gejala terhadap penyakit, serta menampilkan solusi penanganan dari penyakit yang didiagnosis. Hasil pengujian antar kasus dan sistem menggunakan perhitungan similarity mencapai nilai terbaik yaitu 100%. Hasil pengujian akurasi sistem untuk diagnosis yang sesuai dengan pikiran pakar, memperoleh hasil sebesar 93,33% dari 30 kasus yang diuji dengan sistem. Kesimpulan dari hasil tersebut adalah sistem dapat dikatakan layak untuk mendiagnosis penyakit Gurami yang disebabkan bakteri sesuai dengan yang dipikirkan pakar. AbstractGurami (Osphronemus Goramy) is a fish that is widely cultivated and consumed by the community. This fish is a leading sector in several regions of Banyumas district. Gouramy which is cultivated by the Banyumas people, is actually not without obstacles. One obstacle for gouramy breeders is a disease caused by bacteria. Reporting from the online news portal, circulating in February 2018 circulated that news about Gurami farmers was losing money because thousands of broodstock fish that had been raised to death were attacked by bacterial diseases, namely Aeromoniasis. Experts who handle this are limited, namely only 2 people in the Banyumas Regency. In this study the authors made an expert system to diagnose Gurami fish disease caused by bacteria. This study uses the Case Based Reasoning (CBR) and Nearest Neighbor methods used to get the best solution from the identified case. The CBR method compares the old case with the new case and calculates a case similarity value. The system was built with 13 symptoms and 3 Gurami diseases caused by bacteria. Each symptom each has a weight of 5, 3, and 1. The highest similarity value can be used as a conclusion for the case most similar to the expert diagnosis. So that from these two methods an expert system can be produced that can diagnose and analyze according to the similarity of symptoms to the disease, as well as display solutions to the treatment of diagnosed diseases. The test results are between cases and the system uses the similarity calculation to achieve the best value of 100%. The results of the system accuracy test for diagnoses that are in accordance with the expert's mind, obtained results of 93.33% from 30 cases tested with the system. The conclusion of these results is that the system can be said to be feasible to diagnose Gurami disease caused by bacteria according to what experts think.
Aplikasi Penentuan Rute dan Waktu Tempuh ke Halte Transjakarta Terdekat dengan Algoritma Djikstra Berbasis Location Base System Dewi, Ra'idah Naufaliana; Atmodjo WP, Dwi; Purwaningsih, Mardiana
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 4: Agustus 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020741680

Abstract

Saat ini sudah ada aplikasi yang dapat diinstal di ponsel pintar untuk membantu mencari posisi halte terdekat, akan tetapi pengguna harus benar-benar tahu titik keberadaannya saat itu. Hal ini dapat menyulitkan apabila penumpang tersebut adalah pendatang yang tidak mengetahui dengan benar posisinya. Penelitian dengan tujuan menentukan rute dan waktu tempuh ke halte Transjakarta terdekat ini dibuat dengan pendekatan algoritme Dijkstra pada aplikasi mobile di atas platform Android. Aplikasi ini akan dibantu oleh GPS untuk mencari halte terdekat dari posisi pengguna. Aplikasi ini juga dilengkapi dengan deskripsi perjalanan, estimasi waktu tempuh, dan rute alternatif menuju halte Transjakarta. Kelebihan aplikasi ini adalah apabila Wi-Fi atau data seluler tidak berfungsi tetap dapat digunakan karena metode ini akan tetap menunjukkan rute yang perlu ditempuh dengan deskripsi perjalanan yang dimilikinya. Penentuan rute terdekat dalam aplikasi ini tidak perlu menentukan titik akhir seperti halnya aplikasi yang menggunakan algoritme Djikstra lainnya, bahkan dapat memberikan beberapa alternatif halte terdekat. Hal ini dimungkinkan karena aplikasi ini juga menggunakan algoritme Bubblesort untuk mengurutkan halte. Karena tiap halte Transjakarta sudah terintegrasi sehingga kemana pun tujuan dapat diakses dari halte terdekat dan di halte tersebut sudah ada informasi halte transit sesuai dengan tujuan. AbstractCurrently there are applications that can be installed on a smart phone to help find the position of the nearest bus stop, but the user must really know the point of existence at that time. This can be difficult if the passenger is a migrant who does not know his position correctly. The approach used to determine the route and travel time to the nearest Transjakarta bus stop in this study is to use Dijkstra's algorithm on a mobile application on the Android platform. This application will be assisted by GPS to find the nearest stop from the user's position. This application is also equipped with a description of the trip, estimated travel time, and alternative routes to the Transjakarta bus stop. The advantage of this application is that if Wi-Fi or cellular data does not work it can still be used because this method will still show the route that needs to be taken with the description of the trip it has. Determining the closest route in this application does not need to determine the end point as well as applications that use other Djikstra algorithms, can even provide several alternative stops nearby. This is possible because this application also uses the Bubblesort algorithm to sort stops. Because each Transjakarta bus stop has been integrated so that wherever the destination can be accessed from the nearest bus stop and at the stop there is already a transit stop information in accordance with the destination.
Model Prediksi Interaksi Senyawa dan Protein untuk Drug Repositioning menggunakan Deep Semi-Supervised Learning Larasati, Larasati; Kusuma, Wisnu Ananta; Annisa, Annisa
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 4: Agustus 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020742236

Abstract

Drug repositioning adalah penggunaan senyawa obat yang sudah lolos uji sebelumnya untuk mengatasi penyakit baru selain penyakit awal obat tersebut ditujukan. Drug repositioning dapat dilakukan dengan memprediksi interaksi senyawa obat dengan protein penyakit yang bereaksi positif. Salah satu tantangan dalam prediksi interaksi senyawa dan protein adalah masalah ketidakseimbangan data. Deep semi-supervised learning dapat menjadi alternatif untuk menangani model prediksi dengan data yang tidak seimbang. Proses pre-training berbasis unsupervised learning pada deep semi-supervised learning dapat merepresentasikan input dari unlabeled data (data mayoritas) dengan baik dan mengoptimasi inisialisasi bobot pada classifier. Penelitian ini mengimplementasikan Deep Belief Network (DBN) sebagai pre-training dan Deep Neural Network (DNN) sebagai classifier. Data yang digunakan pada penelitian ini adalah dataset ion channel, GPCR, dan nuclear receptor yang bersumber dari pangkalan data KEGG BRITE, BRENDA, SuperTarget, dan DrugBank. Hasil penelitian ini menunjukkan pada dataset tersebut, pre-training berupa ekstraksi fitur memberikan efek optimasi dilihat dari peningkatan performa model DNN pada akurasi (3-4.5%), AUC (4.5%), precision (5.9-6%), dan F-measure (3.8%). AbstractDrug repositioning is the reuse of an existing drug to treat a new disease other than its original medical indication. Drug repositioning can be done by predicting the interaction of drug compounds with disease proteins that react positively. One of the challenges in predicting the interaction of compounds and proteins is imbalanced data. Deep semi-supervised learning can be an alternative to handle prediction models with imbalanced data. The unsupervised learning based pre-training process in deep semi-supervised learning can represent input from unlabeled data (majority data) properly and optimize initialization of weights on the classifier. This study implements the Deep Belief Network (DBN) as a pre-training with Deep Neural Network (DNN) as a classifier. The data used in this study are ion channel, GPCR, and nuclear receptor dataset sourced from KEGG BRITE, BRENDA, SuperTarget, and DrugBank databases. The results of this study indicate that pre-training as feature extraction had an optimization effect. This can be seen from DNN performance improvement in accuracy (3-4.5%), AUC (4.5%), precision (5.9-6%), and F-measure (3.8%).

Page 2 of 3 | Total Record : 26

 1   2   3 

Filter by Year

2020 2020


Reset
Filter By Issues
All Issue Vol 12 No 6: Desember 2025 Vol 12 No 5: Oktober 2025 Vol 12 No 4: Agustus 2025 Vol 12 No 3: Juni 2025 Vol 12 No 2: April 2025 Vol 12 No 1: Februari 2025 Vol 11 No 6: Desember 2024 Vol 11 No 5: Oktober 2024 Vol 11 No 4: Agustus 2024 Vol 11 No 3: Juni 2024 Vol 11 No 2: April 2024 Vol 11 No 1: Februari 2024 Vol 10 No 6: Desember 2023 Vol 10 No 5: Oktober 2023 Vol 10 No 4: Agustus 2023 Vol 10 No 3: Juni 2023 Vol 10 No 2: April 2023 Vol 10 No 1: Februari 2023 Vol 9 No 7: Spesial Issue Seminar Nasional Teknologi dan Rekayasa Informasi (SENTRIN) 2022 Vol 9 No 6: Desember 2022 Vol 9 No 5: Oktober 2022 Vol 9 No 4: Agustus 2022 Vol 9 No 3: Juni 2022 Vol 9 No 2: April 2022 Vol 9 No 1: Februari 2022 Vol 8 No 6: Desember 2021 Vol 8 No 5: Oktober 2021 Vol 8 No 4: Agustus 2021 Vol 8 No 3: Juni 2021 Vol 8 No 2: April 2021 Vol 8 No 1: Februari 2021 Vol 7 No 6: Desember 2020 Vol 7 No 5: Oktober 2020 Vol 7 No 4: Agustus 2020 Vol 7 No 3: Juni 2020 Vol 7 No 2: April 2020 Vol 7 No 1: Februari 2020 Vol 6 No 6: Desember 2019 Vol 6 No 5: Oktober 2019 Vol 6 No 4: Agustus 2019 Vol 6 No 3: Juni 2019 Vol 6 No 2: April 2019 Vol 6 No 1: Februari 2019 Vol 5 No 6: Desember 2018 Vol 5 No 5: Oktober 2018 Vol 5 No 4: Agustus 2018 Vol 5 No 3: Juni 2018 Vol 5 No 2: April 2018 Vol 5 No 1: Februari 2018 Vol 4 No 4: Desember 2017 Vol 4 No 3: September 2017 Vol 4 No 2: Juni 2017 Vol 4 No 1: Maret 2017 Vol 3 No 4: Desember 2016 Vol 3 No 3: September 2016 Vol 3 No 2: Juni 2016 Vol 3 No 1: Maret 2016 Vol 2 No 2: 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