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 1,288 Documents
 102   103   104   105   106 
Estimasi Gender Berbasis Sidik Jari dengan Wavelet dan Support Vector Machine Suwarno, Sri; Mahastama, Aditya Wikan
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 5: Oktober 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024117972

Abstract

Estimasi gender berbasis sidik jari sering diperlukan untuk identifikasi jenazah tanpa identitas, sebelum dipastikan dengan tes DNA.  Untuk kepentingan tersebut sidik jari jenazah diambil secara digital dan selanjutnya diidentifikasi. Kesulitan yang dihadapi dalam memproses sidik jari secara digital adalah menentukan fitur yang handal dan tidak dipengaruhi oleh kwalitas citra dan masalah translasi dan rotasi.  Selain itu untuk mendapatkan akurasi yang tinggi diperlukan sejumlah preprocessing pada dataset. Penelitian ini bertujuan untuk mengestimasi gender berbasis sidik jari dengan fitur yang dibangkitkan dari transformasi wavelet. Fitur diambil dari nilai Energy yang dihasilkan melalui transformasi Haar wavelet sebanyak enam level. Selanjutnya fitur tersebut dipakai sebagai data latih bagi Support Vector Machines (SVM) untuk diestimasi. Penelitian ini menggunakan dataset dari NIST (National Institute of Standart and Technology) sebanyak 1000 sampel terdiri dari 500 sidik jari pria dan 500 sidik jari wanita.  Berdasarkan hasil percobaan yang dilakukan, metode ini menghasilkan akurasi sampai 70.3% dengan tingkat TPR (True Positive Rate) sebesar 80.6% untuk sidik jari wanita dan 60.0% untuk sidik jari pria. Metode ini menunjukkan waktu komputasi yang cepat karena tidak memerlukan preprocessing, komputasinya sederhana dan dengan jumlah sampel data yang tidak banyak.   Abstract   Gender estimation based on fingerprints is often required to identify unidentified corpses before being confirmed by DNA testing. For this purpose, fingerprints of the body are taken digitally and subsequently identified. The difficulty in digital fingerprint examination is determining reliable features unaffected by translation or rotation. In addition, some preprocessing is required on the dataset to obtain high accuracy. This study aims to estimate gender based on fingerprints using wavelet transform and Support Vector Machines (SVM). The features are the  Energy values generated by the Haar wavelet transform of six-level. The features are then used as training data for the SVM to be classified. This study used datasets from NIST (National Institute of Standards and Technology), as many as 1000 samples consisting of 500 male fingerprints and 500 female fingerprints. Based on the experiments' results, this method produces an accuracy of up to 70.3% with a TPR (True Positive Rate) of 80.6% for female fingerprints and 60.0% for male fingerprints. This method shows a fast computational time because it does not require preprocessing; the computation is simple and with a small amount of sample data.
Implementasi Algoritma Fuzzi Mamdani pada Sistem Pakar Menggunakan Software Aplikasi Matlab R2007B, Studi Kasus: Tanaman Hidroponik Selada Air Purnawirawan, Okta; Afirianto, Tri
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 5: Oktober 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024117977

Abstract

Hidroponik merupakan teknik bertanam dengan media tanam selain tanah. Jenis tanaman yang ditanam dengan teknik hidroponik, salah satunya menggunakan media tanam berupa air (hidro). Tanaman yang dapat tumbuh dengan menggunakan media tanam air yaitu Selada Air (Nasturtium Officinale). Berdasarkan hasil observasi dengan petani perkebunan selada air, bahwa tanaman tersebut dipengaruhi oleh beberapa faktor yaitu kadar nutrisi, tingkat keasaman dan suhu pada media air. Faktor tersebut dijadikan sebagai variabel data masukan sistem pakar untuk memprediksi tingkat nilai pertumbuhan dan perkembangan tanaman. Proses kerja sistem pakar dengan menerapkan algoritma fuzzy mamdani. Sistem pakar dibangun menggunakan fungsi dari Sistem Inferensi Fuzzy (Fuzzy Inference System/FIS) yang terdapat pada Fuzzy Logic Toolbox (FLT) dalam software aplikasi MATLAB R2007b. Selain itu untuk mengetahui pengaruh dari variabel masukan terhadap pertumbuhan dan perkembangan tanaman selada air dapat divisualisasikan dengan fungsi diagram keluaran surface FIS yang berbentuk tiga dimensi. Hasil analisis dari diagram keluaran surface FIS bahwa menunjukkan tanaman hidroponik selada air dapat tumbuh dan berkembang dalam kondisi: (1) tingkat kadar nutrisi 1000 sampai 1800 PPM; (2) tingkat keasaman 3 sampai 6 H+/liter; dan (3) tingkat suhu air 24o sampai 29o C.   Abstract   Hydroponics is a planting technique using growing media other than soil. Types of plants that are grown using hydroponic techniques, one of which uses a planting medium in the form of water (hydro). Plants that can grow using water growing media are Watercress (Nasturtium Officinale). Based on the results of observations with watercress plantation farmers, that the plant is influenced by several factors, namely nutrient levels, acidity levels and temperature in the water medium. These factors are used as masukan data variables for expert systems to predict the level of plant growth and development values. Expert system work process by applying the fuzzy mamdani algorithm. The expert system was built using the functions of the Fuzzy Inference System (FIS) contained in the Fuzzy Logic Toolbox (FLT) in the MATLAB R2007b application software. In addition, to determine the effect of the masukan variables on the growth and development of watercress plants, it can be visualized using the three-dimensional FIS keluaran surface diagram function. The results of the analysis of the FIS keluaran surface diagram show that watercress hydroponic plants can grow and develop under the following conditions: (1) nutrient levels of 1000 to 1800 PPM; (2) acidity level 3 to 6 H+/liter; and (3) temperature water level of 24o to 29o C.
Penerapan Blok SE-NET Pada Deep Learning Inceptionv3 untuk Meningkatkan Deteksi Penyakit Mpox pada Manusia Rachman, M. Bakhara Alief; Kurniasih, Aliyah; Sundawijaya, Andika; Nuraminah, Ahlijati
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 5: Oktober 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024117978

Abstract

Mpox atau cacar monyet adalah penyakit yang disebabkan oleh virus monkeypox. Penelitian terdahulu membuktikan sudah tersedia beberapa pre-trained model yang terbukti mampu mendeteksi penyakit mpox dengan menggunakan dataset MSLD (Monkeypox Skin Lesion Dataset) seperti VGG16, ResNet50, InceptionV3, dan penggabungan ketiga model tersebut. Dari penelitian tersebut didapatkan hasil model InceptionV3 memiliki tingkat akurasi paling rendah dengan nilai 74.07% berbanding jauh dengan ResNet50 yang mampu hingga 82.96% dan menjadikannya akurasi tertinggi. Namun, terdapat peluang akurasi model InceptionV3 mampu ditingkatkan. Oleh sebab itu, pada penelitian diimplementasikan arsitektur baru dan penambahan blok SE-Net (Squeeze and Excitation Networks) pada pre-trained model InceptionV3. Untuk training dan evaluasi model akan menggunakan dataset MSLD. Penelitian ini dilaksanakan dengan harapan mampu meningkatkan akurasi pre-trained model InceptionV3 dalam mendeteksi penyakit mpox. Dari hasil penelitian berdasarkan nilai confusion matrix penerapan arsitektur baru berhasil dilakukan terbukti dengan peningkatan akurasi dari 74.07% menjadi 82.22%. Selain itu, penambahan blok SE-Net terhadap arsitektur baru terbukti mampu meningkatkan akurasi menjadi 91.11% dan menjadikan performa InceptionV3 menjadi lebih baik dari akurasi ResNet50. Dari hasil penelitian tersebut memberikan rekomendasi untuk melakukan percobaan dengan mengganti pre-trained model, blok SE-Net, dan jumlah perbandingan dataset antara train, validation, dan test.   Abstract   Mpox or monkeypox is a disease caused by the monkeypox virus. Previous research has proven that there are several pre-trained models that are proven to be able to detect mpox disease using MSLD (Monkeypox Skin Lesion Dataset) datasets such as VGG16, ResNet50, InceptionV3, and a combination of these three models. From this research, it was found that the InceptionV3 model has the lowest level of accuracy with a value of 74.07% compared to ResNet50 which is capable of up to 82.96% and makes it the highest accuracy. However, there is a chance that accuracy can be improved. Therefore, this research will apply a new architecture and SE-Net blocks to the InceptionV3 pre-trained model using the MSLD dataset. From the results of research based on the value of the confusion matrix the application of the new architecture was successfully carried out as evidenced by an increase in accuracy from 74.07% to 82.22%. In addition, the addition of the SE-Net block to the new architecture is proven to be able to increase accuracy to 91.11% and make InceptionV3's performance better than ResNet50's accuracy. The results of this study provide recommendations for conducting experiments by changing the pre-trained model, the SE-Net block, and the number of dataset comparisons between train, validation, and test.
Penggunaan Metode Naïve Bayes Classifier pada Analisis Sentimen Penilaian Masyarakat Terhadap Pelayanan Rumah Sakit di Malang Dzulkarnain, Tsania -; Dzulkarnain, Tsania; Ratnawati, Dian Eka; Rahayudi, Bayu
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 5: Oktober 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024117979

Abstract

Peran rumah sakit dalam kehidupan masyarakat sangatlah penting terkait tingkat kepuasan Masyarakat terhadap pelayanan, fasilitas, dan aspek lainnya. Opini dan penilaian masyarakat turut menjadi penilaian terhadap kinerja pelayanan rumah sakit. Pada Google Maps Reviews banyak ulasan dari berbagai rumah sakit.Penilaian yang sangat besar dapat kita lihat pada Google Maps Reviews akan memakan waktu bagi masyarakat. Keluhan-keluhan Masyarakat disekitar penulis terhadap pelayanan rumah sakit di Malang menjadikan penilaian pelayanan rumah sakit di Malang menjadi objek dari penelitian dasar ini. Penulis memanfaatkan algoritma Naïve Bayes Classifier dan Cross Validation untuk mengkategorikan penilaian berdasarkan sentimen positif dan negatif serta  aspek agar mempermudah pengkategorian. Aspek yang dipergunakan tersebut adalah aspek penanganan, fasilitas, administrasi, dan biaya. Penulis juga menggunakan analisis Root Cause untuk mempermudah masyarakat dan pihak terkait dalam menemukan masalah dan rekomendasi pemecahan masalah. Awalnya data di proses dengan  text preprocessing lalu pembobotan kata TF-IDF, pelabelan data, penerapan algoritma Naïve Bayes Classifier dan mengambil sentimen negatif untuk menentukan Root Cause. Hasil pengujian dengan menggunakan Cross Validation dengan fold k-9 memiliki nilai accuracy 82,97% , precision sebesar 83,13%, recall 82,93%, dan f-measure sebesar 82,92%. Hasil uji dengan menggunakan 20% data tes diperoleh akurasi 90%.   Abstract   The role of hospitals in society is crucial in terms of the level of satisfaction that the community derives from their services, facilities, and other aspects. Public opinions and assessments also contribute to evaluating hospital service performance. On Google Maps Reviews, there are numerous reviews from various hospitals. A significant evaluation can be observed on Google Maps Reviews, which might take time for the community. The complaints of the community around the writer regarding the hospital services in Malang make the assessment of hospital services in Malang the subject of this basic research. The author utilizes the Naive Bayes Classifier algorithm and Cross Validation to categorize assessments based on positive and negative sentiments, as well as 4 aspects to facilitate categorization. The author also employs Root Cause analysis to aid the public and relevant parties in identifying issues and providing problem-solving recommendations. After processing the data through text preprocessing and TF-IDF word weighting, data labeling, applying the Naive Bayes Classifier algorithm, and extracting negative sentiments to determine the Root Cause in negative hospital sentiments. Based on this process, applying Cross Validation with k-9 folds yields the highest values: an accuracy of 82.97%, precision of 83.13%, recall of 82.93%, and an f-measure of 82.92%. Through the sentiment classification and Cross Validation process, the accuracy results in 90% for hospital reviews with the highest number of assessments divided into 2 sentiments and 4 aspects: positive and negative sentiments, as well as treatment, facilities, administration, and costs.
Pengembangan Aplikasi Berlatih Membaca Cepat Berbahasa Inggris Berbasis Progressive Web App dengan Metode Prototyping Alfath, Muhammad Fajar; Fanani, Lutfi; Kharisma, Agi Putra
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 5: Oktober 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024117982

Abstract

Membaca merupakan proses memahami, menafsirkan, dan mengekstraksi informasi dari serangkaian kata yang memerlukan waktu. Melalui internet, akses membaca semakin luas dengan adanya konten seperti artikel, e-book, jurnal, dan lainnya yang mayoritas disajikan dalam bahasa Inggris. Melalui survei terhadap 30 mahasiswa mengenai kegiatan membaca cepat dan relevansinya terhadap bahasa Inggris, sebanyak 76.7% darinya tidak mengetahui kecepatan membaca mereka dan 56.7% mengaku sering membaca teks berbahasa Inggris. Ada baiknya jika kemampuan membaca cepat dilatih dengan penggunaan bahasa Inggris untuk membangun motivasi terhadap literasi digital yang luas. Melalui pengamatan tersebut, dikembangkan aplikasi berbasis progressive web app (PWA) menggunakan metode SDLC prototyping. Melalui proses prototyping sebanyak 2 kali iterasi, dihasilkan aplikasi PWA ‘Speed Reader’ yang bertujuan untuk membantu berlatih membaca cepat secara senyap dengan materi bacaan berbahasa Inggris. Hasil evaluasi pengujian menunjukkan bahwa aplikasi ini kompatibel pada perangkat mobile dan dapat berjalan secara cross-browser. Setiap fitur berhasil dijalankan dengan tingkat validitas 100% pada pengujian efektivitas. Melalui pengujian efisiensi, didapatkan waktu penyelesaian tugas sebesar 0,156 tugas per detik. Hasil pengujian kepuasan pengguna melalui pengukuran System Usability Scale (SUS) mencapai nilai 84 dengan kategori grade B dan tergolong acceptable. Dengan demikian, dapat disimpulkan bahwa pengguna berhasil mencapai tujuan mereka dan aplikasi ini layak untuk digunakan.   Abstract   Reading is a process of understanding, interpreting, and extracting information from a series of words that takes time. The internet has significantly broadened reading access, providing abundant content like articles, e-books, journals, predominantly in English. A survey conducted among 30 students explored their engagement in speed reading and its relevance to English. Surprisingly, 76.7% of participants were unaware of their reading speed, while 56.7% acknowledged frequent reading of English texts. To foster extensive digital literacy, it is advisable to train speed reading skills specifically using the English language. Based on this observation, a Progressive Web App (PWA) was developed utilizing the SDLC prototyping method. The development of an app called 'Speed Reader' was aimed to facilitate the practice of silent speed reading with English materials. Evaluation tests demonstrated the application's compatibility with mobile devices and its cross-browser functionality. Each feature achieved a 100% validity rate in effectiveness testing. Moreover, efficiency testing revealed a task completion time of 0.156 tasks per second. User satisfaction assessments, conducted using the SUS method, yielded a score of 84, categorizing it as grade B and considered acceptable. It can be concluded that the users have successfully achieved their goals, and this application is deemed suitable.
Arsitektur Sistem Percakapan Otomatis Berbahasa Indonesia dengan Normalisasi Bahasa Informal Menjadi Baku Khairul, Muhammad Fathur Rahman; Perdana, Rizal Setya
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 5: Oktober 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024117984

Abstract

Komunikasi merupakan hal yang paling penting dalam kehidupan sehari-hari. Setiap orang berkomunikasi dengan cara mereka berdasarkan latar belakang serta kedekatan antar pembicara. Oleh karena itu, perkembangan bahasa informal terjadi sangat cepat dan tidak jarang menciptakan kata-kata baru sebagai pengganti bahasa formal. Hal ini menjadi masalah jika dilihat dari perspektif pemrosesan bahasa alami (NLP). NLP umumnya hanya dapat dilakukan dengan bahasa yang formal dan tidak mampu menginterpretasikan makna dari kalimat informal. Maka dari itu, penulis mengusulkan pendekatan untuk memungkinkan mesin memahami bahasa informal dengan melakukan normalisasi bahasa infomal menjadi baku dengan memanfaatkan NLP. Pendekatan yang dilakukan akan melatih model pre-trained GPT-2 berbahasa Indonesia dengan data parallel corpus untuk memahami makna dari bahasa informal dan mampu menerjemahkannya ke dalam bentuk baku. Melalui eksperimen yang dilakukan, pendekatan ini mencapai tingkat akurasi 91% dan dapat menerjemahkan bahasa informal dengan baik. Performa ini dapat diraih dengan konfigurasi hiperparameter yaitu Adam optimizer dengan learning rate 1e-4, batch size sebesar 16 dan dropout rate sebesar 0,5.   Abstract   Communication is the most essential thing in daily life. Everyone communicates in their own way based on their background and the closeness between speakers. Thus, the development of informal language occurs quickly and it is often to create new words as a substitute for formal language. This is an issue from a natural language processing (NLP) perspective. NLP generally only works with formal language and is unable to interpret the meaning of informal sentences. Therefore, the authors propose an approach to enable machines to understand informal language by normalizing the informal language to standard by utilizing NLP. The approach will train a pre-trained GPT-2 model in Indonesian with parallel corpus data to understand the meaning of informal language and be able to translate it into standardized form. Through experiments, the method achieved 91% accuracy and can translate informal language well. This performance can be achieved with a hyperparameter configuration, namely Adam optimizer with a learning rate of 1e-4, batch size of 16 and dropout rate of 0.5.
Kombinasi Intent Classification dan Named Entity Recognition pada Data Berbahasa Indonesia dengan Metode Dual Intent and Entity Transformer Annisa, Zahra Asma; Perdana, Rizal Setya; Adikara, Putra Pandu
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 5: Oktober 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024117985

Abstract

Pelayanan pelanggan atau customer service adalah sebuah bentuk upaya pemenuhan keinginan dan kebutuhan pelanggan yang disertai dengan ketepatan penyampaian sesuai standar perusahaan demi memenuhi harapan pelanggan. Pada beberapa kasus seperti layanan perbankan, diperlukan layanan pelanggan yang dapat diakses setiap saat dengan ketepatan dan daya tanggap tinggi. Atas kebutuhan pelayanan dengan kualitas tinggi ini, perusahaan dapat mengaplikasikan konsep pelayanan prima. Salah satu penerapan konsep kecerdasan buatan demi pelaksanaan pelayanan prima adalah penggunaan chatbot, yang memerlukan metode yang tepat bagi proses klasifikasi intensi pengguna maupun Named Entity Recognition (NER). Salah satu kekurangan dari pelaksanaan klasifikasi intensi dan NER secara terpisah terletak pada representasi numerik yang digunakan dalam tiap model. Meski menggunakan data latih dan arsitektur model yang serupa, model dapat menghasilkan representasi numerik yang berbeda dalam tahap fiturisasi, sehingga berpotensi mengurangi tingkat generalisasi model. Untuk mengatasi masalah tersebut, klasifikasi intensi dan NER dapat digabungkan dengan menggunakan mekanisme multi-task learning dalam bentuk model Dual Intent and Entity Transformer (DIET). Penelitian dilakukan dengan memanfaatkan data sekunder dari Helpdesk TIK UB, merancang model DIET menggunakan pustaka PyTorch dan Transformers, lalu mengevaluasi model DIET menggunakan f1-score. Kombinasi hyperparameter terbaik yang didapatkan adalah warm-up step sebesar 70, early stopping patience sebesar 15, weight decay sebesar 0,01, bobot loss NER sebesar 0,6, dan bobot loss klasifikasi intensi berupa 0,4. Kombinasi hyperparameter yang telah diperoleh menghasilkan kapabilitas yang berbeda apabila terdapat perubahan dalam data yang digunakan, karena kapabilitas model DIET baik dalam melakukan klasifikasi intensi maupun NER sangat bergantung terhadap data.   Abstract   Customer service is a way to fulfill the wants and needs of customers accompanied by the accuracy of delivery according to company standards in order to meet customer expectations. In some cases such as banking services, customer service is needed that can be accessed at any time with high accuracy and responsiveness. For this high-quality service requirement, companies can implement the concept of excellent service. One application of artificial intelligence for service excellence is the use of a chatbot, which requires an appropriate method for the classification of user intent and Named Entity Recognition (NER). One of the drawbacks of performing intent classification and NER separately lies in the different numerical representations used in each model. Despite using similar training data and model architecture, the models may produce different numerical representations in the featurization stage, potentially reducing the generalization ability of the model. To overcome this problem, intent and NER classification can be combined using a multi-task learning mechanism in the form of a Dual Intent and Entity Transformer (DIET) model. The research was conducted by utilizing secondary data from Helpdesk TIK UB, designing DIET models using PyTorch and Transformers libraries, then evaluating DIET models using f1-score. The best hyperparameter combination obtained is a warm-up step of 70, early stopping patience of 15, weight decay of 0.01, NER loss weight of 0.6, and intent classification loss weight of 0.4. The combination of hyperparameters that have been obtained produce different capabilities if there are changes in the data that is used because the capabilities of the DIET model in both intention and NER classification are highly dependent on the data.
Analisis Interaksi Aktivitas Pembelajaran Daring Berdasarkan Data Log Aktivitas pada Learning Managemefnt System (LMS) Menggunakan Educational Process Mining Anwar, Novriani Dewi; Setiawan, Nanang Yudi; Purnomo, Welly
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 5: Oktober 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024117987

Abstract

Perpaduan perkembangan teknologi di bidang pendidikan telah mengembangkan suatu inovasi yang disebut LMS (Learning Management System) yang dapat diakses dari mana saja dan kapan saja tanpa harus melakukan pertemuan secara fisik di kelas. Kegiatan interaksi pada LMS memiliki event log yang dapat diekstraksi untuk mengidentifikasi analisis menggunakan Educational Process Mining (EPM). Kami mengekstrak event log dari ELING, platform LMS yang disediakan oleh fakultas kami. Selanjutnya, kami melakukan Process Mining menggunakan metode Heuristic Miner dari tiga dosen kelas mata kuliah Data Warehouse yang berbeda. Analisis yang dilakukan yaitu melihat gambaran kegiatan pembelajaran yang diberikan oleh masing-masing dosen dan pendekatannya dalam mengarahkan mahasiswa untuk berinteraksi dengan modul materi pada ELING apakah sesuai urutan dalam Rencana Pembelajaran Semester (RPS). Kami memvariasikan dependency threshold untuk mengidentifikasi modul pembelajaran mana yang memiliki tingkat ketergantungan yang lebih tinggi antar event yang menjadi inti pembelajaran mata kuliah tersebut. Pada dependency threshold 0,6, jumlah kegiatan dari model yang ditemukan untuk semua dosen adalah 21. Sementara pada threshold 0,8, jumlah kegiatan bervariasi antara 12 dan 20. Dengan variasi dependency threshold ini juga akan mengidentifikasi modul mana yang tetap muncul yang berhubungan dengan bentuk model aktivitas pembelajaran dan apakah model yang dihasilkan sesuai dengan urutan RPS.   Abstract   The combination of technological developments in the field of education has developed an innovation called LMS (Learning Management System) that can be accessed from anywhere and anytime without having to conduct physical meetings in class. Interaction activities in the LMS have event logs that can be extracted to identify analysis using Educational Process Mining (EPM). We extract event logs from ELING, an LMS platform provided by our faculty. Next, we conducted Process Mining using the Heuristic Miner method from three different Data Warehouse course class lecturers. The analysis carried out is to see an overview of the learning activities provided by each lecturer and their approach in directing students to interact with the material modules on ELING whether in the order in the Semester Learning Plan (RPS). We vary the dependency threshold to identify which learning modules have a higher level of dependency between events that are at the core of the course's learning. At a dependency threshold of 0.6, the number of activities from the model found for all lecturers was 21. While at the threshold of 0.8, the number of activities varies between 12 and 20. With dependency threshold variations, it will also identify which modules still appear that relate to the shape of the learning activity model and whether the resulting model matches the RPS sequence.
Penerapan SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Kepribadian MBTI Menggunakan Naive Bayes Classifier Pulungan, Mutiara Persada; Purnomo, Andi; Kurniasih, Aliyah
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 5: Oktober 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024117989

Abstract

Kepribadian Myers-Briggs Type Indicator ( MBTI ) telah menjadi topik populer dalam memahami karakteristik individu dan dampaknya pada interaksi sosial, karir, dan pengambilan keputusan. Model Machine Learning dengan algoritma Naive Bayes Classifier sering digunakan untuk memprediksi kepribadian MBTI berdasarkan data Twitter. Namun, seringkali terjadi ketidakseimbangan kelas, dengan beberapa jenis kepribadian yang memiliki sampel lebih sedikit. Untuk mengatasi hal ini, penelitian ini menggunakan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk meningkatkan jumlah sampel pada kelas minoritas. Selain itu, metode Term Frequency-Inverse Document Frequency (TF-IDF) digunakan untuk mengekstraksi fitur penting dari teks. Penelitian ini bertujuan menerapkan teknik SMOTE untuk mengatasi ketidakseimbangan kelas dalam klasifikasi kepribadian MBTI menggunakan beberapa algoritma Naive Bayes Classifier, termasuk Gaussian, Multinomial, Bernoulli, Complement, dan Logistic Regression berdasarkan model Keirsey: Artisan, Guardian, Rational, dan Idealist. Evaluasi menggunakan metode Hold-Out-Validation dengan membagi data menjadi 90% data latih dan 10% data uji. Hasil evaluasi menunjukkan performa rendah algoritma Naive Bayes Classifier untuk kelas Artisan dan Guardian, tetapi baik untuk kelas Rational dan Idealist. Algoritma Logistic Regression memiliki akurasi tertinggi 80% dan performa yang lebih baik secara keseluruhan, meskipun masih rendah untuk kelas Artisan dan Guardian. Dengan demikian, penelitian ini memberikan pemahaman tentang penggunaan algoritma Naive Bayes Classifier dan teknik SMOTE dalam prediksi kepribadian MBTI, dengan potensi peningkatan kinerja melalui penggunaan algoritma Logistic Regression.   Abstract   Myers-Briggs Type Indicator (MBTI) personality is becoming a popular topic in understanding individual characteristics and their impact on social interaction, career, and decision-making. Machine Learning models with Naive Bayes Classifier algorithms are often used to predict MBTI personalities from Twitter data. However, there is often a class imbalance, with some personality types having a smaller sample. To overcome this, this study used the Synthetic Minority Over-sampling Technique (SMOTE) technique to increase the number of samples in minority classes. Additionally, the Term Frequency-Inverse Document Frequency (TF-IDF) method is used to extract important features from text. This study aims to apply SMOTE techniques to address class imbalances in MBTI personality classification using several Naïve Bayes Classifier algorithms, including Gaussian, Multinomial, Bernoulli, Complement, and Logistic Regression based on Keirsey's model: Artisan, Guardian, Rational, and Idealist. Evaluation using the Hold-Out-Validation method by dividing the data into 90% training data and 10% test data. The evaluation results showed low performance of the Naive Bayes Classifier algorithm for the Artisan and Guardian classes, but both for the Rational and Idealist classes. The Logistic Regression algorithm has the highest accuracy of 79% and better performance overall, although it is still low for the Artisan and Guardian classes. Thus, this study provides insight into the use of Naive Bayes Classifier algorithm and SMOTE technique in MBTI personality prediction, with potential performance improvement through the use of Logistic Regression algorithm.
Penerapan Decision Tree dan Random Forest dalam Deteksi Tingkat Stres Manusia Berdasarkan Kondisi Tidur Larasati, Sza Sza Amulya; Dewi, Elok Nuraida Kusuma; Farhansyah, Brahma Hanif; Bachtiar, Fitra Abdurrachman; Pradana, Fajar
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 5: Oktober 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024117993

Abstract

Masalah kesehatan mental menjadi isu global yang sangat umum terjadi, termasuk perubahan suasana hati, perbedaan kepribadian, ketidakmampuan mengatasi masalah, serta mengisolasi diri dari keramaian. Berdasarkan data dari World Health Organization (WHO), gangguan kecemasan dan stres menjadi gangguan mental yang paling sering terjadi dari 970 juta kasus yang dilaporkan sepanjang tahun 2019. Stres telah banyak dikaitkan dengan tidur. Penelitian ini akan mengungkap hubungan kondisi tidur pada manusia dengan tingkat stres yang sedang diderita dengan 5 tingkatan: normal, stres ringan, stres sedang, stres tinggi, stres sangat tinggi. Data yang digunakan merupakan data kontinyu dengan 8 fitur: ‘sr’ (snoring rate), ‘rr’ (respiration rate), ‘t’ (body temperature), ‘lm’ (limb movement), ‘bo’ (blood oxygen), ‘rem’ (rapid eye movement), ‘sh’ (sleeping hours), dan ‘hr’ (heart rate). Setiap fitur memiliki rentang nilai yang tidak sama, sehingga dilakukan normalisasi untuk menyeragamkan rentang tersebut. Hyperparameter tuning dilakukan dengan teknik k-fold cross validation dan model dirancang dengan algoritma klasifikasi Decision Tree serta Random Forest. Hasilnya, 5 fitur: tingkat mendengkur, laju respirasi, pergerakan anggota tubuh termasuk bola mata, serta detak jantung saat tidur berbanding lurus dengan tingkat stres. Semakin tinggi nilai kelima fitur tersebut mengindikasikan tingkat stres yang lebih tinggi. Sedangkan dengan 3 fitur lainnya: suhu tubuh, kadar oksigen, dan waktu tidur memberikan hasil sebaliknya. Dengan kata lain, ketiga nilai tersebut berbanding terbalik dengan tingkat stres yang diderita. Model Decision Tree memiliki akurasi 0,99 dan Random Forest memiliki akurasi 1,0. Hasil penelitian ini diharapkan dapat memberikan insight bagi peneliti lain pada bidang yang sama dan dapat menjadi acuan dalam mendeteksi stres yang sedang diderita.       Abstract Stress is often associated with sleep. This research aims to uncover the relationship between human sleep conditions and the level of stress experienced, categorized into five levels: not stressed, very mildly stressed, mildly stressed, highly stressed, and very highly stressed. The data used consists of continuous data with eight features: 'snoring rate' (snoring rate), 'respiration rate' (respiration rate), 'body temperature' (body temperature), 'limb movement' (limb movement), 'blood oxygen' (blood oxygen), 'rapid eye movement' (rapid eye movement), 'sleep hours' (sleep hours), and 'heart rate' (heart rate). Each feature has a different value range, so normalization is performed to standardize these ranges. Hyperparameter tuning is done using k-fold cross-validation, and the model is designed using the Decision Tree and Random Forest classification algorithms. The results show that five features: snoring rate, respiration rate, limb movement including eye movement, and heart rate during sleep are directly proportional to the level of stress. Higher values for these five features indicate higher levels of stress. On the other hand, the other three features: body temperature, blood oxygen level, and sleep hours yield the opposite results. In other words, the values of these three features are inversely proportional to the level of stress experienced. The Decision Tree model has an accuracy of 0.99, and the Random Forest model has an accuracy of 1.0. The results of this research are expected to provide insights for other researchers in the same field and can serve as a reference for detecting ongoing stress.

Page 104 of 129 | Total Record : 1288

 102   103   104   105   106 

Filter by Year

2014 2025


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