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 8 No 4: Agustus 2021" : 26 Documents clear
Aplikasi AR-CA (Augmented Reality Relief Candi Jago) sebagai Upaya Pendokumentasian Digital Relief Candi Jago dan Pengenalan Wisata Sejarah di Malang Fiaji, Noveria Anggraeni; Brata, Komang Candra; Zulvarina, Prima
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021844447

Abstract

Penelitian ini bertujuan untuk mendigitalisasikan cerita fabel yang terdapat dalam relief Candi Jago sebagai upaya memperkenalkan dan mempertahankan kearifan lokal Malang. Relief Candi Jago dipilih karena belum ada pendokumentasian yang optimal terhadap cerita relief tersebut sehingga ketertarikan pada para calon wisatawan untuk mengunjungi lokasi tersebut sangat kurang. Untuk menjawab permasalahan tersebut, maka dilakukan penelitian pengembangan melalui aplikasi AR-CA. Aplikasi AR-CA merupakan aplikasipemanfaatan augmented realitymelalui teknologi yang dapat menjadikan sarana pembelajaran informasi menjadi lebih interaktif dan menarik. Dalam penelitian ini, pendokumentasian cerita relief Candi Jago melalui digital menggunakan pengembangan model desain Recursive, Reflective, Design, and Development(R2D2). Model R2D2 akan memfokuskan pada tiga fokus pengembangan, (1) fokus penetapan, (2) fokus pengembangan desain produk, serta tahap uji kelayakan, dan (3) fokus diseminasi sesuai dengan konteks lingkungan pengembangan dan kebutuhan. Fokus penelitian ini ada dua 1)Tahapan konsep penyusunan Pendokumentasian relief Candi Jago dengan menggunakan aplikasi Augmented Reality (AR) dan 2) Memaparkan Fitur-fitur yang terdapat dalam aplikasi AR-CA. Hasil dari Penelitian ini mengenai tahapan konsep penyusunan, Pertama,pemilihan cerita yang terdapat dalam relief Candi Jago. Kedua, mengubah ketiga cerita yang telah dipilih, berupa teks cerita menjadi teks drama. Ketiga, menentukan markeragar dapat menampilkan objek virtual. Keempat,menentukan tokoh-tokoh sentral dalam setiap cerita yang telah dipilih sebagai iconcerita. Kelima, membuat video animasi berdasarkan teks drama yang telah dibuat pada tahap kedua. Keenam, merancang aplikasi AR sebagai jembatan marker  yang akan menampilkan objek virtual. Fitur-fitur yang terdapat dalam aplikasi AR-CA yaitu fitur kamera AR, fitur cerita yang berisi tiga video animasi yang menggambarkan cerita relief Candi Jago yaitu Kera yang malang, Serigala si Penghasut, Kura-kura yang bandel. Selanjutnya fitur bantuan, fitur tentang, dan control panelkeluar. AbstractThis study aimed to produce a digital instrument for exhibiting temple-relief of Jago Temple as a part of Malang’s tourism promotion and sustainability program. Moreover, this study focused on Jago Temple’s relief due to its limited documentation by far which impacted to the small number of tourists visiting the historical site. Therefore, the AR-CA application was developed to provide solution for the particular issue. AR-CA adopted augmented reality technology to create a learning instrument which is able to deliver more interactive and attractive information. For this study, Recursive, Reflective, Design and Development (R2D2) instructional design model was employed to document the story depicted by the Jago Temple’s relief into a digital form. The R2D2 model would focus on three development methods, (1) defining, (2) designing and developing, and (3) disseminating based on the relevant circumstances and requirements. Furthermore, this study offered two primary results 1) planning stage which is to document Jago Temple’s relief using the augmented reality (AR) application and 2) delivering features on the AR-CA. More specifically, on the planning stage, this study broke down, 1) selecting which stories were going to be exhibited 2) translating the prose into drama text, 3) determining marker to show virtual objects, 4) selecting primary figures within the stories, 5) creating animation video depicting the generated drama text, 6) developing AR application which would present the virtual objects. Meanwhile, this AR-CA application provided a number of features including AR camera, Video Playlist containing three animation videos about a poor ape, deceitful wolf and naughty turtle, Help, About App, and Log Out.  
Halaman Awal dan Daftar Isi purbosari, lina
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Halaman Awal dan Daftar Isi
Deteksi Malaria Berbasis Segmentasi Warna Citra dan Pembelajaran Mesin Setiawan, Agung W.; Rahman, Yusuf A.; Faisal, Amir; Siburian, Marsudi; Resfita, Nova; Gifari, Muhammad W.; Setiawan, Rudi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021844377

Abstract

Di beberapa daerah di Indonesia, malaria masih merupakan salah satu penyakit endemik dan termasuk ke dalam kategori penyakit menular dengan vektor nyamuk Anopheles. Penurunan jumlah mortalitas penderita malaria ini telah menjadi program Pemerintah Indonesia dan World Health Organization. Salah satu hal penting yang dapat dilakukan adalah menyediakan alat diagnosis malaria yang cepat dan akurat berbantukan komputer. Oleh karena itu, pada studi ini dikembangkan sebuah metode deteksi malaria berbasis segmentasi warna citra yang dikombinasikan dengan metode pencacahan objek citra dan pembelajaran mesin berbasis Convolutional Neural Network. Pada studi ini, segmentasi citra dilakukan dengan menetapkan suatu nilai ambas batas tertentu (thresholding) pada model warna HSV. Nilai ambang batas untuk masing-masing kanal warna ditetapkan sebagai berikut: H = 100-175, S = 100-250, dan V = 60-190. Terdapat tiga skema pembelajaran mesin yang digunakan, yaitu citra asli menggunakan RMSProp optimizer, citra tersegmentasi menggunakan RMSProp dan Adam optimizer. Akurasi pelatihan dan validasi CNN tertinggi diperoleh dengan skema citra tersegmentasi menggunakan RMSProp optimizer, yaitu sebesar 92,77% dan 94,38%. Sementara, deteksi malaria berbasis pencacahan objek memiliki akurasi sebesar 93,78%. Meskipun deteksi malaria berbasis pencacahan objek memiliki akurasi 93,78%, tetapi sumber daya komputasi dan waktu yang diperlukan jauh lebih rendah.AbstractMalaria is still one of the endemic diseases in several regions of Indonesia. Reducing the malaria mortality rate has become a notable programme, not only does the Government of the Republic of Indonesia project it, but also the World Health Organization has a similar plan to tackle this disease. One of the prominent concerns to properly promote this programme is providing a rapid and accurate malaria diagnosis tool by applying the computer-aided diagnostics to minimize human errors. The aim of this study is to develop a colour microscopic image-based malaria detection using object counting and CNN-based machine learning. In this research, the HSV colour model with threshold values of H: 100-175, S: 100-250, and V: 60-190 was used to remove the image background. There are three machine learning schemes implemented in this study, i.e. original image using RMSProp optimizer, segmented image using RMSProp and Adam optimizer. The highest training and validation accuracy of CNN were obtained using a segmented image scheme by the RMSProp optimizer, 0.9277 and 0.9438. On the contrary, object-based malaria detection has an accuracy of 93.78%. Furthermore, there are several considerations to determine the malaria detection method, i.e. accuracy, computational resources, and time. Even though malaria detection using object counting has an accuracy of 93.78%, lower than the accuracy of CNN validation, the computational resources and time required are much lower and faster. Therefore, this detection method is suitable for smartphone-based devices with low-middle end specifications.
Pengembangan Algoritme Niching Particle Swarm Optimization untuk Pencarian Target pada Sistem Multi-Robot Raehan, Siti; Buono, Agus; Hardhienata, Medria Kusuma Dewi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.0813173

Abstract

Robot seringkali digunakan untuk mencari target, dalam hal ini target bisa korban, barang berbahaya dan tidak bisa dijangkau oleh manusia sehingga diganti menggunakan robot.Robot melakukan pencarian untuk menemukan target yang kemudian mengalokasikan diri ketarget dengan asumsi bahwa targetnya dapat memancarkan sinyal. Permasalahan tersebut dipandang sebagai suatu masalah optimasi. Salah satu teknik yang dapat menyelesaikan masalah optimasi merupakan algoritme Particle Swarm Optimization (PSO). Masalah yang sering ditangani PSO sampai saat ini hanya sebatas masalah single-target. Beberapa masalah pada dunia nyata merupakan masalah multi-target, sehingga tidak dapat diselesaikan dengan algoritme PSO. Multi-target merupakan pencarian multi-robot untuk mengoptimasi pencarian target pada satu atau lebih titik optimum di dalam ruang pencarian. Masalah optimasi pada multi-target dapat diselesaikan menggunakan algoritme Niching Particle Swarm Optimization (NichePSO). Penelitian ini bertujuan untuk mengembangkan algoritme NichePSO untuk pencarian target pada sistem multi-robot. Pengembangan algoritme dilakukan dengan menggabungkan algoritme NichePSO dengan parameter robot e-puck yang merupakan kontribusi pertama pada penelitian ini. Kontribusi kedua adalah menerapkan algoritme penghindaran dan menggunakan teknik reflecting untuk robot yang keluar dari batas area pencarian.Pada studi ini membandingkan hasil performa antara algoritme NichePSO tanpa algoritme penghindaran dan dengan algoritme penghindaran, diuji dengan beberapa rintangan dalam lingkungan statis. Hasil penelitian menunjukkan bahwa pengembangan algoritme NichePSO pada tanpa algoritme penghindaran dan dengan algoritme penghindaran jauh berbeda dalam jumlah tabrakan tetapi tidak berbeda secara signifikan dalam waktu pencarian dan nilai fitnes. Abstract Robots are often used to find targets, in this case targets can be victims, dangerous goods and cannot be reached by humans so they are replaced using robots. The robot does a search to find a target which then allocates itself to the target assuming that the target can emit a signal. This problem is seen as an optimization problem. One technique that can solve optimization problems is the Particle Swarm Optimization (PSO) algorithm. The problem that is often handled by PSO to date is only limited to single-target problems. Some real-world problems are multi-target problems, so they cannot be solved by the PSO algorithm. Multi-target is a multi-robot search to optimize target search at one or more optimum points in the search space. The problem of optimization on multi-targets can be solved using the Niching Particle Swarm Optimization (NichePSO) algorithm. This study aims to develop a NichePSO algorithm for target search on multi-robot systems. The development of the algorithm is done by combining the NichePSO algorithm with the e-puck robot parameters which is the first contribution to this research. The second contribution is to apply avoidance algorithms and use reflecting techniques for robots that come out of the boundary of the search area. In this study comparing the performance results between the NichePSO algorithm without the avoidance algorithm and with the avoidance algorithm, tested with several obstacles in a static environment. The results showed that the development of the NichePSO algorithm without the avoidance algorithm and with the avoidance algorithm differed significantly in the number of collisions but did not differ significantly in search time and fitness values. Robot seringkali digunakan untuk mencari target, dalam hal ini target bisa korban, barang berbahaya dan tidak bisa dijangkau oleh manusia sehingga diganti menggunakan robot. Robot melakukan pencarian untuk menemukan target yang kemudian mengalokasikan diri ke target dengan asumsi bahwa targetnya dapat memancarkan sinyal. Permasalahan tersebut dipandang sebagai suatu masalah optimasi. Salah satu teknik yang dapat menyelesaikan masalah optimasi merupakan algoritme Particle Swarm Optimization (PSO). Masalah yang sering ditangani PSO sampai saat ini hanya sebatas masalah single-target. Beberapa masalah pada dunia nyata merupakan masalah multi-target, sehingga tidak dapat diselesaikan dengan algoritme PSO. Multi-target merupakan pencarian multi-robot untuk mengoptimasi pencarian target pada satu atau lebih titik optimum di dalam ruang pencarian. Masalah optimasi pada multi-target dapat diselesaikan menggunakan algoritme Niching Particle Swarm Optimization (NichePSO). Penelitian ini bertujuan untuk mengembangkan algoritme NichePSO untuk pencarian target pada sistem multi-robot. Pengembangan algoritme dilakukan dengan menggabungkan algoritme NichePSO dengan parameter robot e-puck yang merupakan kontribusi pertama pada penelitian ini. Kontribusi kedua adalah menerapkan algoritme penghindaran dan menggunakan teknik reflecting untuk robot yang keluar dari batas area pencarian.Pada studi ini membandingkan hasil performa antara algoritme NichePSO tanpa algoritme penghindaran dan dengan algoritme penghindaran, diuji dengan beberapa rintangan dalam lingkungan statis. Hasil penelitian menunjukkan bahwa pengembangan algoritme NichePSO pada tanpa algoritme penghindaran dan dengan algoritme penghindaran jauh berbeda dalam jumlah tabrakan tetapi tidak berbeda secara signifikan dalam waktu pencarian dan nilai fitnes.
Pengembangan Aplikasi E-Inventory Barang Inventaris Negera di PTPSM- BPPT Hudiya, Noval; Puspita, Angella Natalia Ghea; Kawigraha, Adji; Hapid, Abdul
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021844504

Abstract

Teknologi informasi saat ini adalah salah satu yang berkembang pesat sehingga dapat menawarkan banyak solusi untuk menyelesaikan berbagai permasalahan di segala sektor. Salah satu pemanfaatan teknologi informasi antara lain melalui e-Government. e-Government merupakan sebuah upaya penggunaan teknologi informasi digital untuk mentransformasikan kegiatan pemerintah yang bertujuan untuk meningkatkan efektivitas, efisensi dan penyampaian layanan. Salah satu bentuk aplikasi e-Government yaitu e-Inventory. Aplikasi ini bisa digunakan sebagai solusi terhadap permasalahan pendokumentasian barang inventaris negara seperti pencatatan data yang masih dilakukan secara manual, tidak terupdatenya data inventaris secara rutin, dan kesulitan dalam pengambilan data apabila terjadi pemeriksaan oleh Inspektorat atau Badan Pemeriksa Keuangan (BPK). Permasalahan ini salah satunya terjadi di unit kerja Pusat Teknologi Pengembangan Sumberdaya Mineral (PTPSM), Badan Pengkajian dan Penerapan Teknologi (BPPT) yang masih mengalami kendala dalam pencatatan barang inventaris secara efektif, efisien dan terorganisir. Oleh karena itu, maka dikembangkan sebuah aplikasi e-Inventory barang inventaris melalui web dan mobile. Pengembangan aplikasi e-Inventory ini dikembangkan sampai pada tahap perancangan desain fitur dan desain tampilan (mock up). Adapun tujuan dari pengembangan aplikasi e-Inventory barang inventaris ini adalah untuk memudahkan dalam mengupdate data barang inventaris negara, mendokumentasikan barang investaris negara menjadi lebih baik, dan memudahkan dalam pengambilan data di unit kerja PTPSM – BPPT, dan pengembangan aplikasi ini sebagai pembaharuan (novelty) di lingkungan BPPT karena belum ada pengembangan aplikasi e-Goverment terkait e-Inventory di BPPT. AbstractInformation technology is currently one of the fastest growing, so that it can offer many solutions to solve various problems in all sectors. One of the uses of information technology is through e-Government. e-Government is an effort to use digital information technology to transform government activities aimed at increasing the effectiveness, efficiency, and service delivery. One form of e-Government is e-Inventory. This application can be used as a solution to the problem of documenting state inventory item such as recording data that is still manually, not regularly inventorying data, and difficulties in retrieving data in event of an inspection by the Inspectorate or Audit Board of the Republic Indonesia (BPK). This problem is one of which occurs in the work unit of Center for Mineral Resource Development Technology (PTPSM), Agency of Assessment and Application Technology (BPPT), which is still experiencing problems in recording inventory item effectively, efficiently, and organized. Therefore, an e-Inventory application for inventory items was develop through in web and mobile. The e-Inventory application development was developed until the design phase of feature design and display design (mock up). The purposes of developing e-Inventory application for inventory items is to make easier and update data on state inventory items, better document the country’s investment goods, and facilitate data retrieval in the work unit PTPSM – BPPT, and the development of this application is a novelty in BPPT because there is no development of e-Government application related to e-Inventory at BPPT.
Optimasi Bobot K-Means Clustering untuk Mengatasi Missing Value dengan Menggunakan Algoritma Genetica Khotimah, Bain Khusnul; Syarief, Muhammad; Miswanto, Miswanto; Suprajitno, Herry
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021844912

Abstract

Nilai yang hilang membutuhkan preprosesing dengan teknik imputasi untuk menghasilkan data yang lengkap. Proses imputasi membutuhkan initial bobot yang sesuai, karena data yang dihasilkan adalah data pengganti. Pemilihan nilai bobot yang optimal dan kesesuaian nilai K pada metode K-Means Imputation (KMI) merupakan masalah besar, sehingga menimbulkan error semakin meningkat. Model gabungan algoritma genetika (GA) dan KMI atau yang dikenal GAKMI digunakan untuk menentukan bobot optimal pada setiap cluster data yang mengandung nilai yang hilang. Algoritma genetika digunakan untuk memilih bobot dengan menggunakan pengkodean bilangan riel pada kromosom. Model hybrid GA dan KMI dengan pengelompokan menggunakan jumlah jarak Euclidian setiap titik data dari pusat clusternya. Pengukuran kinerja algoritma menggunakan fungsi kebugaran optimal dengan nilai MSE terkecil. Hasil percobaan data hepatitis menunjukkan bahwa GA efisien dalam menemukan nilai bobot awal optimal dari ruang pencarian yang besar. Hasil perhitungan menggunakan nilai MSE =0.044 pada K=3 dan replika ke-5 menunjukkan kinerja GAKMI menghasilkan tingkat kesalahan yang rendah untuk data hepatitis dengan atribut campuran. Hasil penelitian dengan menggunakan pengujian tingkat imputasi menunjukkan algoritma GAKMI menghasilkan nilai r = 0.526 lebih tinggi dibandingkan dengan metode lainnya. Penelitian ini menunjukkan GAKMI menghasilkan nilai r yang lebih tinggi dibandingkan metode imputasi lainnya sehingga dianggap paling baik dibandingkan teknik imputasi secara umum.  AbstractMissing values require preprocessing techniques as imputation to produce complete data. Complete data imputation results require the appropriate initial weights, because the resulting data is replacement data. The choice of the optimal weighting value and the suitability of the network nodes in the K-Means Imputation (KMI) method are big problems, causing increasing errors. The combined model of Genetic Algorithm (GA) and KMI is used to determine the optimal weights for each data cluster containing missing values. Genetic algorithm is used to select weights by using real number coding on chromosomes. GA is applied to the KMI using clustering calculated using the sum of the Euclidean distances of each data point from the center of the cluster. Performance measurement algorithms using the fitness function optimally with the smallest MSE value. The results of the hepatitis data experiment show that GA is efficient in finding the optimal initial weight value from a large search space. The results of calculations using the MSE value = 0.04 for K = 3 and the 5th replication. So, GAKMI resulted in a low error rate for mixed data. The results of research using imputation level testing performed GAKMI  produced r = 0.526 higher than the other methods. Thus, the higher the r value, the best for the imputation technique.
Analisis Performa Pre-Trained Model Convolutional Neural Network dalam Mendeteksi Penyakit Tuberkulosis Rochmawanti, Ovy; Utaminingrum, Fitri; Bachtiar, Fitra A.
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021844441

Abstract

Tuberkulosis (TB) merupakan salah satu penyakit berbahaya yang dapat menular lewat udara dan sering menyebabkan kematian apabila tidak cepat ditangani. Penyakit TB bisa disembuhkan dengan deteksi dini sehingga penderita dapat segera mendapatkan pengobatan yang tepat. Metode Convolutional Neural Network (CNN) digunakan untuk mendeteksi penyakit TB melalui foto rontgen dada. Penelitian ini bertujuan untuk menentukan model CNN yang mampu menghasilkan performa paling baik dalam mendeteksi penyakit TB. Pengujian dilakukan dengan menggunakan lima pre-trained model yang telah disediakan oleh Keras yaitu ResNet50, DenseNet121, MobileNet, Xception, InceptionV3, dan InceptionResNetV2. Perbedaan ukuran gambar yag digunakan pada saat pelatihan dan pengujian juga akan dianalisis pengaruhnya terhadap nilai akurasi yang dihasilkan dan waktu komputasinya. Hasil pengujian menunjukkan bahwa model DenseNet121 mampu menghasilkan nilai akurasi tertinggi dalam mendeteksi penyakit TB, yaitu 91,57%. Sedangkan model MobileNet merupakan model dengan waktu komputasi tercepat untuk semua ukuran gambar yang diuji. Semakin besar ukuran citra maka semakin tinggi nilai akurasinya, namun di sisi lain waktu komputasi juga akan semakin lama.  Abstract Tuberculosis (TB) is one of the dangerous disease that can be transmitted through the air and often causes death if not treated quickly. This illness can be cured with early detection, so that sufferers can immediately get the right treatment. The Convolutional Neural Network (CNN) method is used to detect TB disease through chest X-rays. This study aims to determine which CNN model is able to produce the best performance in detecting TB disease. Testing was carried out using five pre-trained models provided by Keras namely ResNet50, DenseNet121, MobileNet, Xception, InceptionV3, and InceptionResNetV2. The difference in image size used during training and testing will also be analyzed for its effect on the resulting accuracy value and its computation time. The test results showed that the DenseNet121 model was able to produce the highest accuracy value in detecting TB disease, namely 91.57%. Meanwhile, the MobileNet model is the model with the fastest computation time for all image sizes tested. The bigger the image size, the higher the accuracy value, but on the other hand the computation time will also be longer.
Pengenalan Jenis Tanaman Mangga Berdasarkan Bentuk dan Tekstur Daun Menggunakan Kecerdasan Artifisial K-NearestNeighbor (KNN) dan Fusi Informasi Sumari, Arwin Datumaya Wahyudi; Syahbana, Muhammad Rifky; Mentari, Mustika
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021844392

Abstract

Memilih tanaman mangga yang sesuai dengan yang diinginkan menjadi sebuah tantangan dihadapkan pada tanaman marga Mangifera yang ada saat ini. Kesalahan pemilihan jenis tanaman mangga dapat menyebabkan kekecewaan pada pembeli dan menurunkan kepercayaan kepada penjual tanaman mangga karena dapat dianggap memberikan jenis tanaman yang salah. Permasalahannya adalah jenis tanaman mangga dapat diketahui setelah tanaman tersebut berbuah. Oleh karena itu, dalam upaya mereduksi kesalahan dalam pemilihan sebelum melakukan pembelian tanaman mangga, maka dirancang  dan dibangun sebuah sistem pencitraan digital untuk pengenalan jenis tanaman mangga berdasarkan bentuk dan tekstur daun menggunakan metode Kecerdasan Artifisial K-Nearest Neighbor (KNN) yang digabungkan dengan Fusi Informasi guna memperoleh hasil klasifikasi dengan akurasi yang lebih baik. Data citra daun empat macam daun tanaman mangga yakni jenis Gadung, Lalijiwo, Golek dan Irwin, diproses menggunakan metode Local Binary Pattern (LBP) dan Entropy untuk ekstraksi fitur tekstur, dan metode Rectangularity untuk ekstraksi fitur bentuk. Kedua macam fitur tersebut difusikan menjadi masukan bagi pengklasifikasi KNN. Berdasarkan dari hasil-hasil pengujian, K-NN berhasil mengenali keempat jenis tanaman mangga tersebut dengan akurasi tertinggi sebesar 70% pada nilai K = 5, K = 9, K = 10 dan K = 11. Dari hasil pengujian juga diperoleh hasil bahwa fusi informasi mampu mempercepat sistem mengenali jenis tanaman mangga sebesar 0,11 detik. AbstractChoosing the right desired Mango plant is a challenge faced with various types of the existing Mangifera clan plants. The wrong choice of Mango plant species can end up with buyer disappointment and reduce the trust to the seller because it can be considered as providing the wrong type of plant. This happened because the type of Mango plant can only be identified after it bears fruit. In the effort to reduce such error, a digital imaging system was designed and built for recognizing the  types of Mango plants based on the leaf shape and texture using Artificial Intelligence’s K-Nearest Neighbor (KNN) combined with Information Fusion to accelerate the classification with a consistent classification results. The image data consists of four kinds of Mango plant leaves, namely Gadung, Lalijiwo, Golek and Irwin. The leaf texture feature was extracted using the Local Binary Pattern (LBP) and Entropy methods, while the leaf shape feature was extracted using the Rectangularity method. The two features are fused as the input for the KNN classifier. Based on the test results, KNN was able to identify the four types of the Mango plant with the highest accuracy of 70% at values of K = 5, K = 9, K = 10, and K = 11. Besides that, it is also obtained a result that, the information fusion is able to speed up the recognition the types of Mango by 0.11 seconds.
Peningkatan Kinerja Metode SVM Menggunakan Metode KNN Imputasi dan K-Means-Smote untuk Klasifikasi Kelulusan Mahasiswa Universitas Bumigora Hairani, Hairani
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021843428

Abstract

Salah satu permasalahan utama Universitas Bumigora adalah rasio antara mahasiswa yang masuk dengan mahasiswa lulus tepat waktu  tidak seimbang, sehingga akan mengakibatkan penurunan penilaian akreditasi dikemudian hari. Salah satu indikator penilaian dalam proses akreditasi adalah rasio kelulusan mahasiswa. Data kelulusan mahasiswa yang tersimpan pada basisdata kampus, tetapi belum dimanfaatkan dengan maksimal. Dengan memanfaatkan data kelulusan mahasiswa dapat mengetahui pattern atau pola-pola mahasiswa yang lulus tepat waktu atau tidak, sehingga dapat minimalisir terjadinya mahasiswa yang drop out. Tidak hanya itu, pengambil keputusan dapat dimudahkan membuat kebijakan secara dini untuk membantu mahasiswa yang berpotensi drop out dan lulus tidak tepat waktu. Solusi yang ditawarkan pada penelitian ini adalah menggunakan teknik data mining. Salah satu metode data mining yang digunakan penelitian ini adalah metode SVM. Adapun tujuan penelitian ini adalah meningkatkan kinerja metode SVM untuk klasifikasi kelulusan mahasiswa Universitas Bumigora menggunakan metode KNN Imputasi dan K-Means-Smote. Penelitian ini terdiri dari beberapa tahapan yaitu pengumpulan data kelulusan mahasiswa, pra-pengolahan seperti penanganan nilai hilang menggunakan metode KNNI, penanganan ketidakseimbangan kelas menggunakan K-Means-Smote, klasifikasi menggunakan metode SVM. Tahapan terakhir adalah pengujian kinerja SVM berdasarkan akurasi, sensitivitas, spesifisitas, dan f-measure.  Berdasarkan hasil pengujian yang telah dilakukan, integrasi metode KNNI, K-Means-Smote, dan SVM mendapatkan akurasi 83.9%, sensitivitas 81.3%, spesifisitas 86.6%, dan f-measure 83.5%.  Penggunaan metode KNNI dan K-Means-Smote dapat meningkatkan kinerja metode SVM berdasarkan akurasi, sensitivitas, spesifisitas, dan f-measure. Abstract One of the main problems of Bumigora University is the ratio between incoming students and students graduating on time is not balanced, so that it will result in a decrease in accreditation assessment in the future. One of the assessment indicators in the accreditation process is the student graduation ratio. Student graduation data stored in the campus database, but has not been maximally utilized. By utilizing graduation data, students can find out patterns or patterns of students who graduate on time or not, so as to minimize the occurrence of students who drop out. Not only that, decision makers can make it easier to make policies early to help students who have the potential to drop out and not graduate on time. The solution offered in this research is to use data mining techniques. One of the data mining methods used in this study is the SVM method. The purpose of this study is to improve the performance of the SVM method for the classification of Bumigora University graduation students using the KNN Imputation and K-Means-Smote methods. This research consists of several stages, namely the collection of student graduation data, pre-processing such as handling missing values using KNNI method, handling class imbalances using K-Means-Smote, classification the SVM method. The last stage is testing SVM performance based on accuracy, sensitivity, specificity, and f-measure. Based on the results of test that have been carried out, the integration of the KNNI, K-Means-Smote, and SVM method get an accuracy of 83.9%, sensitivity 81.3%, specificity 86.6%, and f-measure 83.5%. The use of KNNI and K-Means-Smote method can improve the performance of the SVM method based on accuracy, sensitivity, specificity, and f-measure. 
Rekomendasi Fitur yang Mempengaruhi Harga Sewa Menggunakan Pendekatan Machine Learning Wisnuadhi, Bambang; Setiawan, Irwan
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021843305

Abstract

Perkembangan Teknologi Infromasi, internet, dan perangkat bergerak telah mengubah perilaku konsumen dalam menjalankan aktivitasnya. Hal ini direspon oleh industri dengan menyediakan berbagai aplikasi berbasis web dan perangkat bergerak dalam interaksinya dengan pelanggan. Salah satu industri yang beradaptasi dengan perubahan teknologi dan perilaku konsumen ini adalah industri pariwisata dan perhotelan. Kebutuhan konsumen yang sebelumnya menggunakan akomodasi wisata tradisional seperti hotel, berubah menjadi lebih memilih rumah-rumah penduduk disekitar tempat wisata sebagai tempat penginapan sementara wisatawan. Perubahan ini berdampak kepada semakin banyaknya properti pribadi yang disewakan sehingga menyebabkan persaingan harga sewa. Harga sewa merupakan salah satu faktor penting yang dipertimbangkan calon penyewa dalam menentukan properti yang akan disewanya. Hal ini tentunya membuat para pemiliki properti harus memikirkan strategi penentuan harga sewa agar propertinya laku dipasaran. Penelitian ini bertujuan untuk mendapatkan fitur apa saja yang dapat mempengaruhi penentuan harga sewa properti berdasarkan data pengguna Airbnb di Berlin. Data penelitian diambil dari dataset yang disediakan oleh InsideAirbnb berupa file dengan format CSV. Penelitian dilakukan menggunakan teknik machine learning dengan pendekatan algoritma XGBoost. Terdapat lima tahapan pengerjaan dalam penelitian ini, yaitu data understanding, data pre-processing, exploratory data analysis, pemodelan, dan insights. Hasil yang didapatkan dari penelitian ini adalah room type private room, room type entire home/apt, dan cancellation policy super strict 60 days merupakan tiga fitur tertinggi yang mempengaruhi penentuan harga sewa. Luas properti menempati urutan keempat berdasarkan rekomendasi algoritma yang diterapkan. AbstractThe development of information technology, the internet, and mobile devices has changed the behavior of consumers in carrying out their activities. The industry responded by providing various web-based and mobile applications in their interactions with customers. The tourism and hospitality industry is adapting to changes in technology and consumer behavior. The needs of consumers who previously used traditional tourist accommodations such as hotels have changed to prefer residents' houses around tourist attractions as their temporary lodging. This change has an impact on the increasing number of private properties being leased, causing competition in rental prices. It is undeniable that the rental price is one of the essential factors that prospective tenants consider in making choices. This certainly makes property owners, who will rent out their properties, have to think about rental pricing strategies. This study aims to obtain any features that affect pricing based on Airbnb user data in Berlin. The study was conducted using machine learning techniques with the XGBoost algorithm approach. There are five stages of work in this study, namely understanding data, pre-processing data, exploratory data analysis, modeling, and insights. The results obtained from this study are room type private room, room type entire home / apt, and cancellation policy type super strict 60 are the three highest features that affect price determination. Property size ranks fourth based on algorithmic recommendations.

Page 1 of 3 | Total Record : 26

 1   2   3 

Filter by Year

2021 2021


Reset
Filter By Issues
All Issue 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