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 7 No 6: Desember 2020" : 25 Documents clear
Penerapan Intelligent Geographic Information System untuk Deteksi Kecanduan Game Latubessy, Anastasya; Jazuli, Ahmad; Fiati, Rina
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 6: Desember 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020722185

Abstract

Segala sesuatu yang berlebihan dapat menimbulkan efek kecanduan. Hal yang sama juga berlaku untuk game. Game dapat memberikan efek adiksi yang mengakibatkan pemainnya ketagihan. Pemain game tidak mengenal batas usia. Anak-anak bahkan anak usia dini sudah bermain game dengan menggunakan gadget, sebagai akibat dari perkembangan teknologi saat ini. Kecanduan game dapat berdampak negatif pada anak usia dini. Penelitian terdahulu menunjukkan adanya hubungan korelasi negatif antara kecanduan game dengan proses pembelajaran. Meninjau hal tersebut, maka orang tua perlu waspada terhadap pola permainan game anak. Penelitian terdahulu menghasilkan aplikasi untuk mendeteksi tingkat kecanduan game anak dengan menggunakan salah satu metode dalam sistem pakar yaitu backward chaining untuk identifikasi gejala kecanduan game. Penelitian saat ini mengkombinasi teknologi pakar pada aplikasi sebelumnya dengan teknologi Geographic Information System untuk mendeteksi kecanduan game anak dan memetakan persebarannya di wilayah Indonesia bagian timur, barat dan tengah. Penelitian ini menggunakan metode perancangan sistem waterfall, yang dimulai dari identifikasi masalah, analisa masalah, perancangan sistem, implementasi dan pengujian sistem. Sehingga menghasilkan aplikasi yang diberi nama IGIS-Decandu(Intelligent Geographic Information System Deteksi Kecanduan Game) yang dapat digunakan untuk mengetahui tingkat persebaran kecanduan game anak Indonesia. Hasil uji coba untuk pengujian identifikasi kecanduan game antara sistem IGIS-Decandu dan ujicoba manual memperoleh nilai Kappa sebesar 1.0. Berdasarkan  pengujian tersebut, dapat disimpulkan bahwa sistem IGIS-Decandu siap untuk digunakan secara umum, karena proses identifikasi kecanduan game valid dengan nilai keeratan kesepakatan antara pengujian sistem dan manual adalah 1.00 yang berarti “Sangat Kuat”. AbstractAnything that is excessive can have an addictive effect. The same thing applies to games. Games can have an addictive effect that results in players being addicted. Gamers don't know the age limit. Children and even young children are already playing games using gadgets, as a result of current technological developments. Game addiction can have a negative impact on early childhood. Previous research has shown a negative correlation between game addiction and the learning process. Reviewing this, parents need to be aware of the pattern of children's game play. Previous research has made an application to detect the level of addiction to children's by using one method in the expert system that is backward chaining to identify the symptoms of game addiction. Current research combines expert technology in previous applications with Geographic Information System technology to detect children's gaming addictions and map their distribution in eastern, western and central Indonesia. This study uses a waterfall system design method, which start from identification, problem analysis, design system, implementation system and testing system to produce an application called IGIS-Decandu (Intelligent Geographic Information System for Game Addiction Detection) that can be used to determine the level of distribution of Indonesian children's game addiction. The results of trials for testing the game addiction identification between the IGIS-Decandu system and manual testing obtained a Kappa value of 1.0. Based on these tests, it can be concluded that the IGIS-Decandu system is ready for general use, because the process of identifying game addiction is valid with the value of the agreement between the system and manual testing being 1.00 which means "Very Strong"
Case based Reasoning Prediksi Waktu Studi Mahasiswa Menggunakan Metode Euclidean Distance dan Normalisasi Min-Max Wahanani, Henni Endah; Prami Swari, Made Hanindia; Akbar, Fawwaz Ali
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 6: Desember 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020763880

Abstract

Salah satu penyebab dari lamanya waktu tempuh mahsiswa di Jurusan Informatika UPN “Veteran” Jawa Timur adalah sullitnya memantau kemajuan studi mahasiswa secara seksama, mengingat jumlah mahasiswa yang cukup banyak serta pihak akademik belum memiliki metode yang akurat untuk memetakan mahasiswa yang diprediksi akan mengalami keterlambatan dalam penyelesaian studinya. Melalui perkembangan teknologi informasi yang berkembang pesat saat ini, maka sangat dimungkinkan untuk membuat sebuah sistem yang mampu memprediksi kemungkinan keterlambatan kelulusan mahasiswa melalui penggunaan berbagai metode komputasi yang ada. Salah satu pendekatan yang dapat digunakan untuk membuat sebuah sistem prediksi kelulusan adalah menggunakan pendekatan populer yang digunakan dalam pembuatan sistem cerdas (intelligent system) yaitu case based reasoning (CBR). Langkah-langkah yang dilakukan pada penelitian ini adalah melakukan pengumpulan dan memasukkan data kasus pada basis kasus, melakukan praprosesing yakni normalisasi atribut yang akan digunakan dalam perhitungan similartitas antar kasus menggunakan normalisasi min-max, implementasi CBR menggunakan metode Euclidean Distance, serta melakukan pengujian pada 141 data kasus. Dari sisi perhitungan akurasi, sistem mampu memberikan nilai akurasi paling tinggi sebesar 100% pada pada pengujian berdasarkan predikat kelulusan, sedangkan berdasarkan ketepatan waktu, sistem mampu memberikan akurasi tertinggi dengan nilai 85,71%, dan sistem mampu memberikan nilai akurasi tertinggi sebesar 71,43% pada pengujian berdasarkan massa studi. Untuk pengujian presisi, sistem mampu mengasilkan nilai terbesar berturut-turut sebesar 90,90%, 43,33%, dan 100%. Sedangkan pada pengujian sensitivitas, sistem berturut-turut mampu menghasilan nilai sebesar 90,90%, 40,48%, dan 100%. Hasil pengujian ini tentunya sangat bergantung dari basis kasus yang dimiliki, oleh sebab itu perbaikan dan peningkatan jumlah kasus yang dimiliki diharapkan mampu meningkatkan performa sistem rekomendasi. AbstractOne of the reasons for the length of study time for students of the Informatics study program of UPN "Veteran" Jawa Timur is the difficulty of monitoring the progressy, given the large number of students and academics do not have an accurate method to map students who are predicted to experience delays. It is possible to create a system that is able to predict the possibility of student graduation delay through the use of various existing computational methods. One approach that can be used to create a graduation prediction system is to use the popular approach namely case based reasoning (CB). The steps taken in this study are collecting and entering case data, normalizing the attributes using min-max normalization, implementing CBR using the Euclidean Distance, and system testing in 141 data case. System is able to provide the highest accuracy value of 100% in testing based on the predicate of graduation, while based on timeliness, the system is able to provide the highest accuracy value with a value of 85.71%, and the system is able to provide the highest accuracy value of 71.43%. on testing based on the study period. For precision testing, the system was able to produce the largest values of 90.90%, 43.33% and 100%, respectively. Whereas in the sensitivity test, the system was able to produce values of 90.90%, 40.48%, and 100% respectively. The results of this test are of course very dependent on the basis of cases that are owned, therefore improvements and an increase in the number of cases owned are expected to be able to improve the performance.
Penerapan Hidden Markov Model (HMM) dan Mel-Frequency Cesptral Coefficients (MFCC) pada E-Learning Bahasa Madura untuk Anak Usia Dini Ubaidi, Ubaidi; Dewi, Nindian Puspa
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 6: Desember 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020722477

Abstract

Bahasa Madura is a regional language used in Madura island. This language has many variations of pronunciation and dialect that makes it not easy to learn, even by the local people especially children. There hasn’t been any interesting learning media to learn Bahasa Madura so far. In fact, a fun learning activity is needed to help children to enhance their ability in pronouncing animals’ names, numbers, fruits and things in Bahasa Madura. Thus, it’s considered important to create Bahasa Madura e-learning by implementing the recognition of voice patterns in order to make it easier for the children to learn Bahasa Madura which has several variations of pronunciation only for one single object. This Bahasa Madura e-learning application for young learners is used to introduce Bahasa Madura vocabularies by recognizing the voice pattern recordings which have been processed through MFCC technique as the extracted voice features and HMM as the learning techniques. The implementation of MFCC and HMM as the learning tool to introduce the pronunciation of regional language vocabularies especially Bahasa Madura has never been done before. Therefore, this research is expected to help the young learners to be able to pronounce Bahasa Madura vocabularies properly.  In this study, a number of young learners’ voices were recorded and were set as the trial data. Only the proper voice data that were used—voice data that were considered to be pronounced correctly. The trial method was done through one-single model and multi-model. After doing several simultaneous trials, the result showed the accuracy level. The average accuracy level for one-single model system was 73% (with the highest accuracy reached 75%) and the average accuracy level for multi-model system was 80% (with the highest accuracy reached 81%).
Aplikasi Pertimbangan Wisata di Pulau Lombok dengan Metode Fuzzy Mamdani & Algoritma Genetika Harir, Zainul; Widiartha, Ida Bagus Ketut; Afwani, Royana
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 6: Desember 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020721197

Abstract

Pulau Lombok memiliki pariwisata berupa keindahan alam dan kebudayaan yang menarik, sehingga juga mendapat tiga penghargaan pada World Halal Tourism Awards 2016 dengan faktor pertumbuhan kunjungan wisatawan sebesar 13% pada tahun tersebut. Adanya sebuah aplikasi yang dapat membantu wisatawan dalam menentukan keputusan perjalanan wisata mereka adalah wajib. Aplikasi ini dikembangkan dengan logika Fuzzy Mamdani dan Algoritma Genetika dengan tujuan memberikan rekomendasi pariwisata.Logika Fuzzy Mamdani memberikan pertimbangan wisata berdasarkan 5 parameter (anggaran, rencana perjalanan, akomodasi, makanan dan minuman, serta biaya transportasi) yang kemudian menjadi 5 fungsi keanggotaan untuk membangun kombinasi aturan pada fuzzy dan menghasilkan keluaran berupa pertimbangan wisata, yaitu: Tidak Memungkinkan, Cukup Memungkinkan, dan Memungkinkan. Kombinasi lima fungsi keanggotaan tersebut, menghasilkan 10.080 aturan, yang digunakan untuk mengetahui seseorang memungkinkan, atau tidak untuk berwisata ke pulau Lombok dengan constrain parameter yang dimiliki, yang dibangkitkan dengan menggunakan fungsi Defuzzifikasi Mean of Max (MOM). Algortima Genetika digunakan dalam memberikan alokasi penggunaan budget yang optimal dalam berwisata di Pulau Lombok.Hasil pengujian dengan perhitungan manual dan model defuzzifikasi yang berbeda memiliki akurasi 100%.  Untuk implementasi Algoritma Genetika, aplikasi memperoleh alokasi anggaran optimal pada probabilitas crossover (pc) dan probabilitas mutasi (pm) dengan (pc) 0,7 dan (pm) 0,2. AbstractTourism in Lombok has an interesting culture, it makes Lombok got three awards at the 2016 World Halal Tourism Awards and became a growth factor for tourist visits by 13% that year. An application that can help tourists in determining travel decision is mandatory.The application developed with Mamdani Fuzzy Logic and Genetic Algorithm to provide tourism recommendations. The Fuzzy Mamdani Logic Method provides tourism considerations based on 5 parameters (budget, travel plans, accommodation, food and drinks, and transportation costs) which then become 5 membership functions to build a combination of rules on fuzzy and produce output in the form of tourism's considerations: Not Enable, Enough Enable, and Enable. The combination of the 5 membership functions constructed 10.080 fuzzy rules, that's used to know wheater tourists enables them to go to Lombok with the limitation that they have. The defuzzification used is the Mean of Max (MOM). Genetic Algorithm (GA) is used in providing optimal budget allocation in traveling on Lombok IslandThe results of testing with manual calculations and different defuzzification models have 100% accurate, the application of GA obtained optimal budget allocation on crossover probability (pc) and mutation probability (pm) combination with (pc) 0.7 and (pm) 0.2.
Sistem Kendali Perangkat Elektronik Jarak Jauh Berbasis Jaringan Nirkabel Menggunakan Secure Shell (SSH) dan robot Operating System (ROS) Jalil, Abdul
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 6: Desember 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020722737

Abstract

Salah satu tantangan di era revolusi industri 4.0 adalah pengembangan sistem kontrol secara jarak jauh menggunakan koneksi jaringan nirkabel. Tujuan penelitian ini adalah membangun sistem kontrol perangkat elektronik jarak jauh dengan memanfaatkan jaringan wireless tethering pada smartphone menggunakan topologi Wireless Local Area Network (WLAN) dan Robot Operating System (ROS) sebagai perangkat lunak kontrol. Pemanfaatan wireless tethering smartphone untuk berbagi koneksi internet dapat dimanfaatkan untuk mengontrol perangkat elektronik yang terkoneksi ke Raspberry Pi. Koneksi jaringan wireless tethering memiliki arsitektur jaringan yang cukup sederhana jika dibandingkan dengan arsitektur pengontrolan jarak jauh lainnya, serta memiliki jarak jangkau koneksi yang cukup jauh dibandingkan dengan koneksi Bluetooth. Metodologi yang digunakan untuk mengontrol perangkat elektronik pada penelitian ini adalah menggunakan Remote Access Control (RAC) berbasis protokol SSH. Pemanfaatan wireless tethering dan aplikasi mobile SSH dapat digunakan untuk mengirim perintah ROS message dari smartphone ke Raspberry Pi untuk mengontrol pin GPIO Raspberry Pi agar aktif high atau aktif low. Pada saat ROS message mengirim perintah ke GPIO untuk aktif high, maka sistem akan memberikan instruksi kepada relay untuk menyalakan perangkat elektronik. Selanjutnya pada saat GPIO menerima perintah untuk aktif low, maka sistem akan memberikan instruksi kepada relay untuk mematikan perangkat elektronik. Hasil penelitian ini adalah smartphone android dapat digunakan untuk mengontrol perangkat elektronik seperti lampu, kipas angin, pemanas ruangan, dan air conditioner secara jarak jauh menggunakan jaringan WLAN berdasarkan perintah dari ROS message. Perangkat elektronik pada penelitian ini dapat di kontrol secara efektif pada jarak 20 meter di dalam ruangan dan 40 meter di area bebas hambatan. AbstractOne of the challenges in the Industrial Revolution 4.0 is the development of control systems by remotely using a wireless network connection. This study aims to build a control system for controlling the electronic devices by remotely with the utilization of wireless tethering network in the smartphone used Wireless Local Area Network (WLAN) topology and Robot Operating System (ROS) as software for the controller. Utilization of wireless tethering in the smartphone for share the internet connection can be used for control the electronic devices that connected to the Raspberry Pi. The connection of wireless tethering has a simple architecture when compared with the other architecture of the control system by remotely, it then has a long-range connection when compared to the Bluetooth connection. The methodology has used to manage the electronic devices in this study is used Remote Access Control (RAC) based on SSH protocol. The utilization of wireless tethering and mobile SSH can be used to sends ROS message command from smartphone to the Raspberry Pi to control the Raspberry Pi GPIO pin to active high or active low. When android smartphone send ROS message command to the Raspberry Pi to make the GPIO to active high, the system will instruct the relay to turn on the electronic devices. Then when GPIO accepts the instruction to active low, the system will instruct the relay to turn off the electronic devices. The result of this study is that android smartphone can be used to control the electronic devices such as a lamp, fan, heater, and air conditioner by remotely used WLAN network and command from ROS message. The electronic devices on this study can be controlled by effectively with the distance of 20 meters in the rooms and 40 meters at the outside area. 
Optimasi Data Tidak Seimbang pada Interaksi Drug Target dengan Sampling dan Ensemble Support Vector Machine Ramadhanti, Nabila Sekar; Kusuma, Wisnu Ananta; Annisa, Annisa
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 6: Desember 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020762857

Abstract

Data tidak seimbang menjadi salah satu masalah yang muncul pada masalah prediksi atau klasifikasi. Penelitian ini memfokuskan untuk mengatasi masalah data tidak seimbang pada prediksi drug-target interaction (interaksi senyawa-protein). Ada banyak protein target dan senyawa obat yang terdapat pada basis data interaksi senyawa-protein yang belum divalidasi interaksinya secara eksperimen. Belum diketahuinya interaksi antar senyawa dan target tersebut membuat proporsi antara data yang diketahui interaksinya dan yang belum dikethui menjadi tidak seimbang. Data interaksi yang sangat tidak seimbang dapat menyebabkan hasil prediksi menjadi bias. Terdapat banyak cara untuk mengatasi data tidak seimbang ini, namun pada penelitian ini diimplementasikan metode yang menggabungkan Biased Support Vector Machine (BSVM), oversampling, dan undersampling dengan Ensemble Support Vector Machine (SVM). Penelitian ini mengeksplorasi efek sampling yang digabungkan dalam metode tersebut pada data interaksi senyawa-protein. Metode ini sudah diuji pada dataset Nuclear Receptor, G-Protein Coupled Receptor dan Ion Channel dengan rasio ketidakseimbangannya sebesar 14.6%, 32.36%, dan 28.2%. Hasil pengujian dengan menggunakan ketiga dataset tersebut menunjukkan nilai area under curve (AUC) secara berturut-turut sebesar 63.4%, 71.4%, 61.3% dan F-measure sebesar 54%, 60.7% dan 39%. Nilai akurasi dari metode yang digunakan masih terbilang cukup baik, walaupun nilai tersebut lebih kecil dari metode SVM tanpa perlakuan apapun. Nilai tersebut bias karena nilai AUC dan F-measure ternyata lebih kecil. Hal ini membuktikan bahwa metode yang diusulkan dapat menurunkan tingkat bias pada data tidak seimbang yang diuji dan meningkatkan nilai AUC dan f-measure sekitar 5%-20%. AbstractImbalanced data has been one of the problems that arise in processing data. This research is focusing on handling imbalanced data problem for drug-target (compound-protein) interaction data. There are many target protein and drug compound existed in compound-protein interaction databases, which many interactions are not validated yet by experiment. This unknown interaction led drug target interaction to become imbalanced data. A really imbalanced data may cause bias to prediction result. There are many ways of handling imbalanced data, but this research implemented some methods such as BSVM, oversampling, undersampling with SVM ensemble. These method already solve the imbalanced data problem on other kind of data like image data. This research is focusing on exploration of effect on the sampling that used in these method for compound-protein interaction data. This method had been tested on compound-protein interaction Nuclear Receptor, GPCR and Ion Channel with 14.6%, 32.36% and 28.2% of imbalance ratio. The evaluation result using these three dataset show the value of AUC respectively 63.4%, 71.4%, 61.3% and F-measure of 54%, 60.7% and 39%. The score from this method is quite good, even though the score of accuracy and precision is smaller than the SVM. The value is bias because the AUC and F-measure score is smaller. This proves that the proposed method could reduce the bias rate in the evaluated imbalanced data and increase AUC and f-measure score from 5% to 20%.
Deteksi Covid-19 pada Citra Sinar-X Dada Menggunakan Deep Learning yang Efisien Yudistira, Novanto; Widodo, Agus Wahyu; Rahayudi, Bayu
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 6: Desember 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020763651

Abstract

Deteksi Covid-19 merupakan tahapan penting untuk mengenali secara dini pasien terduga Covid-19 sehingga dapat dilakukan langkah lanjutan. Salah satu cara pendeteksian adalah melalui citra sinar-x paru. Namun demikian, selain dibutuhkan suatu model algoritma yang dapat menghasilkan akurasi tinggi, komputasi yang ringan merupakan hal yang dibutuhkan sehingga dapat diaplikasikan dalam alat pendeteksi. Model deep CNN dapat melakukan deteksi dengan akurat namun cenderung memerlukan penggunaan memori yang besar. CNN dengan parameter yang lebih sedikit dapat menghemat storage maupun penggunaan memori sehingga dapat berproses secara real time baik berupa alat pendeteksi maupun sistem pengambilan keputusan via cloud. Selain itu, CNN dengan parameter yang lebih kecil juga dapat untuk diaplikasikan pada FPGA dan perangkat keras lainnya yang mempunyai kapasitas memori terbatas. Untuk menghasilkan deteksi COVID-19 pada citra sinar-x paru yang akurat namun komputasinya juga ringan, kami mengusulkan arsitektur CNN kecil namun handal dengan menggunakan teknik pertukaran channel yang disebut ShuffleNet. Dalam penelitian ini, kami menguji dan membandingkan kemampuan ShuffleNet, EfficientNet, dan ResNet50 karena mempunyai jumlah parameter yang lebih kecil dibanding CNN pada umumnya seperti VGGNet atau FullConv yang menggunakan lapisan konvolusi secara penuh namun mempunyai kemampuan deteksi yang mumpuni. Kami menggunakan 1125 citra sinar-x dan mencapai akurasi 86.93 % dengan jumlah parameter model yang 18.55 kali lebih sedikit dari EfficientNet dan 22.36 kali lebih sedikit dari ResNet50 untuk mendeteksi 3 kategori yaitu Covid-19, Pneumonia, dan normal melalui uji 5-fold crossvalidation. Memori yang diperlukan oleh masing-masing arsitektur CNN tersebut untuk melakukan sekali deteksi berhubungan secara linier dengan jumlah parameternya dimana ShuffleNet hanya memerlukan memori GPU sebesar 0.646 GB atau 0.43 kali dari ResNet50,  0.2 kali dari EfficientNet, dan 0.53 kali dari FullConv. Lebih lanjut, ShuffleNet melakukan deteksi paling cepat yaitu sebesar 0.0027 detik.AbstractCovid-19 detection is an important step in identifying early patients with suspected Covid-19 so that further steps can be taken. One way of detection is through pulmonary x-ray images. However, besides requiring an algorithm model that can produce high accuracy, lightweight computation is needed so that it can be applied in a detector. The deep CNN model can detect accurately but tends to require large memory usage. CNN with fewer parameters can save storage and memory usage so that it can process in real time both in the form of detection devices and decision-making systems via the cloud. In addition, CNN with smaller parameters can also be applied to FPGA and other hardware that have limited memory capacity. To produce accurate COVID-19 detection on x-ray images with lightweight computation, we propose a small but reliable CNN architecture using a channel shuffle technique called ShuffleNet. In this study, we tested and compared the capabilities of ShuffleNet, EfficientNet, and ResNet because they have a smaller number of parameters than usual deep CNN, such as VGGNet or FullConv which uses a full convolution layers with a robust detection capability. We used 1125 x-ray images and achieved an accuracy of 86.93% with a number of model parameters of 18.55 times less than EfficientNet and 22.36 times less than ResNet50 to detect 3 categories namely Covid-19, Pneumonia, and normal through the 5-fold cross validation. The memory required by each CNN architecture to perform one detection is linearly related to the number of parameters where ShuffleNet only requires GPU memory of 0.646 GB or 0.43 times that of ResNet50, 0.2 times of EfficientNet, and 0.53 times of FullConv. Furthermore, ShuffleNet performs the fastest detection at 0.0027 seconds.
Implementasi K-Nearest Neighbor untuk Klasifikasi Bunga Dengan Ekstraksi Fitur Warna RGB Farokhah, Lia
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 6: Desember 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020722608

Abstract

Era computer vision merupakan era dimana komputer dilatih untuk bisa melihat, mengidentifikasi dan mengklasifikasi seperti kecerdasan manusia. Algoritma klasifikasi berkembang dari yang paling sederhana seperti K-Nearest Neighbor (KNN) sampai Convolutional Neural Networks. KNN merupakan algoritma klasifikasi yang paling sederhana dalam mengklasifikasikan sebuah gambar kedalam sebuah label. Metode ini mudah dipahami dibandingkan metode lain karena mengklasifikasikan berdasarkan jarak terdekat dengan objek lain (tetangga). Tujuan penelitian ini untuk membuktikan kelemahan metode KNN dan ekstraksi fitur warna RGB dengan karakteristik tertentu. Percobaan pertama dilakukan terhadap dua objek dengan kemiripan bentuk tetapi dengan  warna yang  mencolok di salah satu sisi objek. Percobaan kedua terhadap dua objek yang memiliki perbedaan karakteristik bentuk meskipun memiliki kemiripan warna. Empat objek tersebut adalah bunga coltsfoot, daisy, dandelion dan matahari. Total data dalam dataset adalah 360 data. Dataset memiliki tantangan variasi sudut pandang, penerangan, dan  gangguan dalam latar. Hasil menunjukkan bahwa kolaborasi metode klasifikasi KNN dengan ekstraksi fitur warna RGB memiliki kelemahan terhadap percobaan pertama dengan akurasi 50-60% pada K=5. Percobaan kedua memiliki akurasi sekitar 90-100% pada K=5. Peningkatan akurasi, precision dan recall terjadi ketika menaikkan jumlah K yaitu dari K=1menjadi K=3 dan K=5.Kata kunci: k-nearest neighbour, RGB, kelemahan, kemiripan, bunga  IMPLEMENTATION OF K-NEAREST NEIGHBOR FOR FLOWER CLASSIFICATION WITH EXTRACTION OF RGB COLOR FEATURESThe era of computer vision is an era where computers are trained to be able to see, identify and classify as human intelligence. Classification algorithms develop from the simplest such as K-Nearest Neighbor (KNN) to Convolutional Neural Networks. KNN is the simplest classification algorithm in classifying an image into a label. This method is easier to understand than other methods because it classifies based on the closest distance to other objects (neighbors). The purpose of this research is to prove the weakness of the KNN method and the extraction of RGB color features for specific characteristics. The first  experiment on two objects with similar shape but with sharp color on one side of the object. The second experiment is done on two objects that have different shape characteristics even having a similar colors. The four objects are coltsfoot, daisy, dandelion and sunflower. Total data in the dataset is 360 data. The dataset has the challenge of varying viewpoints, lighting and background noise. The results show that the collaboration of the KNN classification method with RGB color feature extraction has weakness in the first experiment with the level of accuracy about 50-60% at K = 5. The second experiment has an accuracy of around 90-100% at K = 5. Increased accuracy, precision and recall occur when increasing the amount of K, from K = 1 to K = 3 and K = 5.  Keywords: k-nearest neighbour, RGB, weakness, similar, flower
POS Tagging Bahasa Madura dengan Menggunakan Algoritma Brill Tagger Dewi, Nindian Puspa; Ubaidi, Ubaidi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 6: Desember 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020722449

Abstract

Bahasa Madura adalah bahasa daerah yang selain digunakan di Pulau Madura juga digunakan di daerah lainnya seperti di kota Jember, Pasuruan, dan Probolinggo. Sebagai bahasa daerah, Bahasa Madura mulai banyak ditinggalkan khususnya di kalangan anak muda. Beberapa penyebabnya adalah adanya rasa gengsi dan tingkat kesulitan untuk mempelajari Bahasa Madura yang memiliki ragam dialek dan tingkat bahasa. Berkurangnya penggunaan Bahasa Madura dapat mengakibatkan punahnya Bahasa Madura sebagai salah satu bahasa daerah yang ada di Indonesia. Oleh karena itu, perlu adanya usaha untuk mempertahankan dan memelihara Bahasa Madura. Salah satunya adalah dengan melakukan penelitian tentang Bahasa Madura dalam bidang Natural Language Processing sehingga kedepannya pembelajaran tentang Bahasa Madura dapat dilakukan melalui media digital. Part Of Speech (POS) Tagging adalah dasar penelitian text processing, sehingga perlu untuk dibuat aplikasi POS Tagging Bahasa Madura untuk digunakan pada penelitian Natural Languange Processing lainnya. Dalam penelitian ini, POS Tagging dibuat dengan menggunakan Algoritma Brill Tagger dengan menggunakan corpus yang berisi 10.535 kata Bahasa Madura. POS Tagging dengan Brill Tagger dapat memberikan kelas kata yang sesuai pada kata dengan menggunakan aturan leksikal dan kontekstual.  Brill Tagger merupakan algoritma dengan tingkat akurasi yang paling baik saat diterapkan dalam Bahasa Inggris, Bahasa Indonesia dan beberapa bahasa lainnya. Dari serangkaian percobaan dengan beberapa perubahan nilai threshold tanpa memperhatikan OOV (Out Of Vocabulary), menunjukkan rata-rata akurasi mencapai lebih dari 80% dengan akurasi tertinggi mencapai 86.67% dan untuk pengujian dengan memperhatikan OOV mencapai rata-rata akurasi 67.74%. Jadi dapat disimpulkan bahwa Brill Tagger dapat digunakan untuk Bahasa Madura dengan tingkat akurasi yang baik. Abstract Bahasa Madura is regional language which is not only used on Madura Island but is also used in other areas such as in several regions in Jember, Pasuruan, and Probolinggo. Today, Bahasa Madura began to be abandoned, especially among young people. One reason is sense of pride and also quite difficult to learn Bahasa Madura because it has a variety of dialects and language levels. The reduced use of Bahasa Madura can lead to the extinction of Bahasa Madura as one of the regional languages in Indonesia. Therefore, there needs to be an effort to maintain Madurese Language. One of them is by conducting research on Madurese Language in the field of Natural Language Processing so that in the future learning about Madurese can be done through digital media. Part of Speech (POS) Tagging is the basis of text processing research, so the Madura Language POS Tagging application needs to be made for use in other Natural Language Processing research. This study uses Brill Tagger by using a corpus containing 10,535 words. POS Tagging with Brill Tagger Algorithm can provide the appropriate word class to word using lexical and contextual rule. The reason for using Brill Tagger is because it is the algorithm that has the best accuracy when implemented in English, Indonesian and several other languages. The experimental results with Brill Tagger show that the average accuracy without OOV (Out Of Vocabulary) obtained is 86.6% with the highest accuracy of 86.94% and the average accuracy for OOV words reached 67.22%. So it can be concluded that the Brill Tagger Algorithm can also be used for Bahasa Madura with a good degree of accuracy.
Klasifikasi Mahasiswa HER Berbasis Algoritma SVM dan Decision Tree Purnama, Jajang Jaya; Nawawi, Hendri Mahmud; Rosyida, Susy; Ridwansyah, Ridwansyah; Risnandar, Risnandar
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 6: Desember 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.0813080

Abstract

Mahasiswa di setiap perguruan tinggi dituntut untuk memperoleh pengetahuan dan keterampilan yang memenuhi syarat dengan prestasi akademik. Hasil dari pembelajaran mahasiswa didapat dari ujian teori dan praktek, setiap mahasiswa wajib menuntaskan nilai sesuai kriteria kelulusan minimum dari masing-masing dosen pengajar, jika dibawah batas minimum maka mahasiswa mengikuti her. Her adalah salah satu cara untuk menuntaskan kriteria kelulusan minimum. Mahasiswa yang mengikuti her setiap semesternya hampir mencapai angka yang relatif tinggi dari jumlah seluruh mahasiswa. Untuk mengurangi jumlah mahasiswa yang mengikuti her maka dibutuhkan sebuah metode yang dapat mengurangi hal tersebut, dengan metode Support Vector Machine (SVM) dan Decision Tree (DT). SVM dan DT adalah salah satu metode klasifikasi supervised learning. Oleh karena itu, dalam penelitian ini menggunakan SVM dan DT. SVM dapat menghilangkan hambatan pada data, memprediksi, mengklasifikasikan dengan sampling kecil dan dapat meningkatkan akurasi dan mengurangi kesalahan. Klasifikasi data siswa yang melakukan her/peningkatan dengan mengimprovisasi model kernel untuk visualisasi termasuk bar, histogram, dan sebaran begitu juga Decision Tree mempunyai kelebihan tersendiri. Dari hasil penelitian ini telah didapatkan akruasi dan presisi model DT lebih besar dibandingkan dengan SVM, akan tetapi untuk recall DT lebih kecil dibandingkan SVM. AbstractStudents in each tertiary institution are required to obtain knowledge and skills that meet the requirements with academic achievement. The results of student learning are obtained from the theory and practice exams, each student is required to complete grades according to the minimum graduation criteria of each teaching lecturer, if below the minimum limit then students take remedial. Remedial is one way to complete the minimum passing criteria. Students who take remedial every semester almost reach a relatively high number of the total number of students. To reduce the number of students who take remedial, a method that can reduce this is needed, with the Support Vector Machine (SVM) and Decision Tree (DT) methods. SVM and DT are one of the supervised learning classification methods. Therefore, in this study using SVM and DT. SVM can eliminate barriers to data, predict, classify with small sampling and can improve accuracy and reduce errors. Data classification of students who do remedial/improvements by improving the kernel model for visualization including bars, histograms, and distributions as well as the Decision Tree has its own advantages. From the results of this study it has been obtained that the accuracy and precision of DT models is greater than that of SVM, but for recall DT is smaller than SVM.

Page 2 of 3 | Total Record : 25

 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 (2015) Vol 2 No 2: Oktober 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