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
 111   112   113   114   115 
Teknologi Text To Speech Menggunakan Amazon Polly Untuk Meningkatkan Kemampuan Membaca Pada Anak Dengan Gejala Disleksia Fatmawati, Karlina Diah; Tahyudin, Imam
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik2024117426

Abstract

Disleksia adalah gangguan dalam proses belajar yang ditandai dengan kesulitan membaca, menulis dan mengeja. Perkembangan teknologi saat ini dapat dimanfaatkan dalam semua bidang, termasuk pada pembelajaran anak berkebutuhan khusus seperti disleksia. Penelitian ini bertujuan untuk meningkatkan kemampuan membaca menggunakan teknologi Text-To-Speech (TTS) dengan Machine Learning Amazon Polly yang ada pada AWS cloud. Penelitian menggunakan dua metode: review literatur dan eksperimen dengan pre-test dan post-test untuk menilai pengaruh teknologi terhadap kemampuan membaca. Review literatur dengan mengkaji kumpulan literatur dari penelitian terdahulu sebagai sumber data dan data yang diperoleh akan dianalisis secara deskriptif kualitatif untuk mengetahui pengaruh teknologi terhadap  kemampuan membaca. Metode kedua adalah pengujian dengan alat ukur berupa pre-test & post-test yang terdiri dari 10 kata. Pengujian dilakukan sebanyak empat pertemuan dengan subjek penelitian 30 responden. Kemudian data dianalisis menggunakan analisis statistik deskriptif, yaitu merupakan analisis statistik yang memberikan gambaran secara umum mengenai karakteristik dari masing – masing variable penelitian yang dilihat dari nilai rata – rata (mean), maximum, minimum. Hasil pre-test menunjukkan nilai rata-rata 2,91, kelompok TTS menunjukkan peningkatan signifikan dengan nilai rata-rata post-test 4,30 dibandingkan dengan kelompok visual 3,72. Data kuesioner menunjukkan aplikasi TTS mudah dimengerti dan diterima baik, dengan 90,9% responden melaporkan peningkatan kemampuan membaca. Analisis statistik deskriptif membuktikan teknologi TTS secara signifikan meningkatkan kemampuan membaca pada anak disleksia.   Abstract Dyslexia is a learning disorder characterized by difficulties in reading, writing and spelling. Current technological developments can be utilized in all fields, including in the learning of children with special needs such as dyslexia. This research aims to improve reading skills using Text-To-Speech (TTS) technology with Amazon Polly Machine Learning on the AWS cloud. The research used two methods: literature review, and experiments with pre-test and post-test to assess the effect of technology on reading ability. The literature review involves examining a collection of literature from previous research as a data source. The data obtained will be analyzed descriptively and qualitatively to determine the effect of technology on reading ability. The second method involves testing with measuring instruments in the form of a pre-test and post-test consisting of 10 words. Testing was carried out over four meetings with a research sample of 30 respondents. Then, the data are analyzed using descriptive statistical analysis, which provides a general description of the characteristics of each research variable as seen from the average (mean), maximum, and minimum values. The pre-test results showed an average score of 2.91. The TTS group showed significant improvement with a post-test average score of 4.30 compared to the visual group’s score of 3.72. Questionnaire data show that the TTS application is easy to understand and well received, with 90.9% of respondents reporting improved reading ability. Descriptive statistical analysis proves that TTS technology significantly improves reading abilities in dyslexic children.    
Analisis Sentimen Berbasis Aspek Pada Ulasan Pelanggan Restoran Menggunakan Algoritma Support Vector Machine (Studi Kasus: Depot Bamara) Firdaus, Muhammad Fariz; Ratnawati, Dian Eka; Setiawan, Nanang Yudi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024117564

Abstract

Ulasan pelanggan berperan penting dalam evaluasi produk dan layanan restoran. Ulasan pelanggan membantu restoran mengidentifikasi kekuatan dan kelemahannya. Depot Bamara adalah rumah makan yang belum efektif dalam memanfaatkan ulasan pelanggan karena kurangnya teknologi dan sumber daya manusia yang ahli dalam menerapkannya. Salah satu solusi yang dapat diimplementasikan adalah menggunakan analisis sentimen berbasis aspek dengan bantuan pembelajaran mesin. Analisis sentimen berbasis aspek memberikan pengetahuan yang lebih berfokus pada setiap aspek restoran, dan penggunaan pembelajaran mesin memungkinkan pemanfaatan ulasan dengan sumber daya manusia minimal. Penelitian menggunakan data ulasan pelanggan tahun 2021-2022 sebanyak 1029 ulasan melalui web scraping di situs Google Review. Kata-kata dalam ulasan diberi bobot menggunakan teknik pembobotan frequency inverse document frequency (TF-IDF) dan diklasifikasi menggunakan algoritma support vector machine (SVM). Model klasifikasi diuji dengan teknik k-fold cross validation, menghasilkan rata-rata accuracy sebesar 92%, menunjukkan performa yang baik. Pengujian juga dilakukan pada masing-masing aspek, menujukkan hasil klasifikasi pada aspek harga memiliki rata-rata accuracy tertinggi, sebesar 96%. Data ulasan dianalisis menggunakan root cause analysis (RCA). Hasil RCA menunjukkan bahwa akar masalah ulasan negatif adalah tidak adanya opsi kepedasan, SOP yang belum ada, pelatihan staf yang belum rutin, dan kurangnya ruang parkir dan penataan tempat duduk saat makan siang. Hasil RCA digunakan untuk membuat rekomendasi setelah berdiskusi dengan stakeholder.   Abstract Customer reviews play an important role in the evaluation of restaurant products and services. Customer reviews can help restaurants identify their strengths and weaknesses. Depot Bamara is a restaurant that has not been effective in utilizing customer reviews due to the lack of technology and human resources who are experts in implementing it. One solution that can be implemented is using aspect-based sentiment analysis with the help of machine learning. Aspect-based sentiment analysis provides more focused knowledge on each aspect of the restaurant, and the use of machine learning allows the utilization of reviews with minimal human resources. The research used customer review data in the years 2021-2022 as many as 1029 reviews through web scraping on the Google Review site. Terms found in the reviews were weighted using the frequency inverse document frequency (TF-IDF) weighting technique and classified using the support vector machine (SVM) algorithm. The classification model was tested with k-fold cross validation, resulting in an average accuracy of 92%, indicating good performance. Tests were also carried out on each aspect, showing the classification results on the price aspect had the highest average accuracy, at 96%. The review data was analyzed using root cause analysis (RCA). The RCA results showed that the root causes of negative reviews were the absence of spiciness options, the lack of SOPs, the lack of regular staff training, and the lack of parking spaces and seating arrangements during lunch. The RCA results were used to make recommendations after discussions with stakeholders.  
Pengamanan Citra Digital Menggunakan Kriptografi DnaDan Modified LSB Br Sibarani, Sabrina Adela; Munthe, Andreas; Purba, Ronsen; Lubis, Ali Akbar
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024117666

Abstract

Enkripsi citra digital menggunakan Kriptografi DNA menggabungkan ilmu komputasi dengan prinsip biologis untuk memberikan keamanan ganda. Proses enkripsi terdiri dari dua lapisan. Lapisan pertama, sistem chaos seperti Arnold's Cat Map (ACM) digunakan untuk mengacak posisi piksel melalui beberapa iterasi, sementara Logistic Map (LM) membangkitkan keystream karena sensitivitasnya yang tinggi. Lapisan kedua melibatkan karakteristik DNA, yang memanfaatkan basa nukleotida (A, T, C, G) untuk mengenkripsi data citra pada tingkat molekuler, menghasilkan tingkat keacakan yang tinggi. Setelah enkripsi, ciphertext disembunyikan dalam citra sampul menggunakan teknik steganografi Modified Least Significant Bit (MLSB), yang mengoptimalkan penyisipan bit di saluran RGB dengan pemilihan piksel acak menggunakan generator modulo. Hasil pengujian menunjukkan kualitas enkripsi yang sangat baik, dengan nilai NPCR ≥ 98%, UACI ≥ 30%, koefisien korelasi ≃ 0, entropi ≃ 8, dan histogram yang datar (flat). Kualitas stego-image optimal dicapai dengan penyisipan satu bit pada saluran RGB, menghasilkan PSNR ≥ 50dB. Ketahanan stego-image terhadap noise salt & pepper bergantung pada ukuran citra sampul, persentase noise, dan jumlah bit sisip yang digunakan. Hasil tersebut menunjukkan bahwa kombinasi Kriptografi DNA, ACM, LM, dan MLSB memberikan keamanan yang tinggi dan sulit ditembus.   Abstract Digital image encryption using DNA Cryptography combines computational science with biological principles to provide dual security. The encryption process consists of two layers: first, a chaotic system like Arnold's Cat Map (ACM) is used to shuffle pixel positions through several iterations, while the Logistic Map (LM) generates a keystream due to its high sensitivity. The second layer involves DNA characteristics, utilizing nucleotide bases (A, T, C, G) to encrypt image data at the molecular level, resulting in higher randomness. After encryption, the ciphertext is hidden within a cover image using Modified Least Significant Bit (MLSB) steganography, which optimizes bit insertion in the RGB channels by selecting random pixels using a modulo generator. Experimental results show excellent encryption quality, with NPCR ≥ 98%, UACI ≥ 30%, correlation coefficient close to 0, entropy close to 8, and a flat histogram. Optimal stego-image quality is achieved with a single bit insertion in the RGB channels, resulting in PSNR ≥ 50dB. The resistance of the stego-image to salt & pepper noise depends on the cover image size, noise percentage, and the number of inserted bits. The results indicate that the combination of DNA Cryptography, ACM, LM, and MLSB provides high security and is difficult to breach.
Analisis Performa Ekstraksi Konten GPT-3 Dengan Matrik Bertscore Dan Rouge Yuniati, Yetti; Fitria, Kaira Milani; Melvi; Purwiyanti, Sri; Nasrullah, Emir; A Muhammad, Meizano
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024118088

Abstract

Integrasi model bahasa canggih dalam tugas-tugas pembangkitan teks telah menampilkan beberapa aplikasi yang luas di berbagai bidang, termasuk ekstraksi konten. Penelitian ini memanfaatkan model bahasa OpenAI GPT-3 untuk mengembangkan aplikasi yang membantu dalam proses persiapan konten penulisan kreatif dengan menerapkan fitur ekstraksi konten. Fitur-fitur ini mencakup ekstraksi informasi, meringkas paragraf, mengidentifikasi topik utama, dan menafsirkan teks untuk presentasi terminologi yang optimal. Penelitian ini menggunakan pendekatan 'few-shot learning' yang melekat pada model GPT-3. Kinerja aplikasi ini dievaluasi secara ketat melalui uji coba, membandingkan efektivitasnya dengan mesin pembangkitan teks komersial yang banyak digunakan saat ini. Tujuannya adalah menganalisis tingkat kelayakan sistem yang telah kami bangun terhadap aplikasi lain yang populer. Metrik evaluasi termasuk BERTscore dan ROUGE digunakan sebagai pengujian. Aplikasi ini mencapai BERTscore sebesar 86% untuk precision, 88% untuk recall, dan 87% untuk F1-Score. Selain itu, evaluasi ROUGE menghasilkan skor ROUGE-L sebesar 55% pada precision, 60% pada recall, dan 57% pada F1-Score, hasil tersebut menunjukkan kekuatan model dalam tugas ekstraksi konten. Hasil ini memberikan gambaran bahwa model GPT-3 berpotensi baik dalam meningkatkan efisiensi dan akurasi untuk tugas persiapan konten tulisan dalam industri penulisan kreatif.   Abstract The integration of advanced language models in text generation tasks has featured some extensive applications in various fields, including content extraction. This research utilises the OpenAI GPT-3 language model to develop an application that assists in the content preparation process of creative writing by implementing content extraction features. These features include information extraction, summarising paragraphs, identifying main topics, and interpreting text for optimal terminology presentation. This research utilises the ‘few-shot learning’ approach inherent to the GPT-3 model. The performance of this application was rigorously evaluated through trials, comparing its effectiveness with commercial text generation engines widely used today. The aim is to analyse the feasibility of the system we have built against other popular applications. Evaluation metrics including BERTscore and ROUGE were used as tests. The application achieved a BERTscore of 86% for precision, 88% for recall, and 87% for F1-Score. In addition, the ROUGE evaluation resulted in ROUGE-L scores of 55% in precision, 60% in recall, and 57% in F1-Score, these results show the strength of the model in the content extraction task. These results illustrate that the GPT-3 model has good potential in improving efficiency and accuracy for the task of writing content preparation in the creative writing industry.
Klasifikasi Penyakit Alzheimer Dari Scan Mri Otak Menggunakan Convnext Austin, Yehezkiel Stephanus; Irfano, Haikal; Christopher, Juan Young; Sukma, Lintang Cahyaning; Putra, Octo Perdana; Ardhanto, Riyadh Ilham; Yudistira, Novanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024118117

Abstract

Penyakit Alzheimer adalah gangguan neurodegeneratif yang menyebabkan penurunan fungsi kognitif yang signifikan. Penanganan penyakit ini dapat dilakukan melalui deteksi dini untuk meningkatkan kualitas kehidupan pasien melalui perawatan medis yang efisien dan tepat waktu. Teknologi machine learning dan neural network dapat mendukung deteksi dini melalui penggunaan model ConvNeXt yang telah dilatih dengan metode transfer learning menggunakan bobot awal dari ImageNet, dan di-fine-tune untuk mengklasifikasikan empat tingkat keparahan Alzheimer berdasarkan hasil pemindaian MRI otak, yaitu Mild Demented, Moderate Demented, Non Demented, dan Very Mild Demented. Penelitian ini akan menghasilkan model h5 dengan akurasi yang lebih baik daripada model lain sehingga dapat di-deploy pada aplikasi atau website untuk membantu deteksi dini klasifikasi tingkat keparahan Alzheimer.   Abstract   A Alzheimer's disease is a neurodegenerative disorder that causes significant cognitive decline. Early detection is crucial for managing this disease to improve patients' quality of life through efficient and timely medical care. Machine learning and neural network technology can support early detection through the use of the ConvNeXt model, which has been trained using transfer learning with initial weights from ImageNet and fine-tuned to classify four stages of Alzheimer's severity based on brain MRI scans: Non Demented, Very Mild Demented, Mild Demented, and Moderate Demented. This research will produce an h5 model with better accuracy than other models, enabling it to be deployed in applications or websites to assist in the early detection and classification of Alzheimer's severity.    
Deteksi Spam Berbahasa Indonesia Berbasis Teks Menggunakan Model Bert Amin, Muhammad Basil Musyaffa; Hakim, Gibran; Maulana, Muhammad Taufik; Alwan, Muhammad Fajrul; Anggraheni, Hanna Shafira; Naufal, Muhammad Jilan; Yudistira, Novanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024118121

Abstract

Spam pada SMS dan Email menyebabkan pengalaman kurang menyenangkan bagi pengguna dalam pemanfaatan teknologi. Spam secara umum merupakan sebuah tindakan mengirim pesan yang tidak diinginkan atau tidak diminta kepada sejumlah besar orang. Spam kini dapat ditemui dalam berbagai bentuk, seperti web maupun multimedia. Penelitian ini bertujuan untuk mengevaluasi model berbasis BERT, khususnya IndoBERT dan MultilingualBERT, dalam mendeteksi dan mengklasifikasi spam berbahasa Indonesia pada pesan SMS dan Email. Model yang dipilih kemudian dilatih untuk mengidentifikasi perbedaan antara pesan spam dan bukan spam. Hasil evaluasi pada percobaan menggunakan dataset SMS dan Email memiliki nilai akurasi sebesar 98% pada model IndoBERT dan 95% pada model MultilingualBERT, yang menunjukkan tingkat akurasi yang tinggi. Hasil ini menunjukkan bahwa model BERT efektif dalam mendeteksi pesan spam dalam Bahasa Indonesia.   Abstract Spam on SMS and Email causes an unpleasant experience for users in using technology. Spam in general is the act of sending unwanted or unsolicited messages to a large number of people. Spam can now be found in various forms, such as web and multimedia. This research aims to evaluate BERT-based models, specifically IndoBERT and MultilingualBERT, in detecting and classifying Indonesian spam in SMS and Email messages. The selected model is then trained to identify the differences between spam and non-spam messages. Evaluation results in experiments using SMS and Email datasets have an accuracy value of 98% in the IndoBERT model and 95% in the MultilingualBERT model, which shows a high level of accuracy. These results indicate that the BERT model is effective in detecting spam messages in Indonesian.
Segmentasi Pelanggan Majalah pada Situs Web E-Commerce dengan K-Means++ dan Metode RFM Tampubolon, Andrew Lomaksan Manuel; Butar Butar, Thio Marta Elisa Yuridis; Rochimah, Siti
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024118208

Abstract

Segmentasi pelanggan merupakan salah satu metode yang dapat diterapkan untuk memaksimalkan peluang bisnis. Hal tersebut dapat membantu bisnis agar tetap kompetitif dalam persaingan pasar. Penerapan Artificial Intelligence (AI) dapat membantu dalam memberikan pemahaman kepada pelaku bisnis tentang segmentasi pelanggan berdasarkan riwayat transaksi. Penelitian ini menerapkan metode Recency, Frequency, and Monetary (RFM) yang dipadukan dengan algoritma clustering K-Means++ untuk melakukan segmentasi pelanggan. Silhouette score menjadi indikator pemilihan nilai k yang paling optimal dalam menentukan jumlah cluster. Kerangka kerja CRISP-DM yang digunakan dalam makalah ini juga membantu mempertahankan proses analisis yang konsisten. Pendekatan statistik sederhana ddigunakan untuk mengklasifikasikan setiap fitur dalam RFM menjadi label low, medium, dan high dalam hal menangkap pola segmentasi pelanggan. Hasil eksperimen menunjukkan nilai k = 3 sebagai yang paling optimal berdasarkan nilai WSS sebesar 843,214747 dan silhouette score sebesar 0,638181. Eksperimen juga menunjukkan bahwa cluster 0 memiliki nilai RFM rata-rata sebesar 1,14 (low), 1,20 (low), dan 301.640 (low). Cluster 1 memiliki nilai RFM rata-rata sebesar 249,61 (high), 2,62 (medium), dan 799,934 (medium). Cluster 2 memiliki nilai RFM rata-rata sebesar 233,01 (medium), 6,41 (high), dan 2018,088 (high).   Abstract Customer segmentation is one method that can be applied to maximize business opportunities. It can help businesses remain competitive in the market competition. The application of Artificial Intelligence (AI) can assist in providing business stakeholders with an understanding of customer segmentation based on transaction history. This study applies the Recency, Frequency, and Monetary (RFM) method combined with the K-Means++ clustering algorithm for customer segmentation. The Silhouette score serves as an indicator for selecting the most optimal value of k to determine the number of clusters. The CRISP-DM framework used in this paper also helps maintain a consistent analysis process. A simple statistical approach is used to classify each RFM feature into low, medium, and high labels to capture customer segmentation patterns. Experimental results show that k = 3 is the most optimal value based on a WSS value of 843.214747 and a silhouette score of 0.638181. The experiments also indicate that Cluster 0 has average RFM values of 1.14 (low), 1.20 (low), and 301,640 (low). Cluster 1 has average RFM values of 249.61 (high), 2.62 (medium), and 799,934 (medium). Cluster 2 has average RFM values of 233.01 (medium), 6.41 (high), and 2018.088 (high).
Pemetaan Luasan Mangrove Menggunakan Algoritma Mangrove Vegetation Index (MVI) di Desa Kaliwlingi, Kabupaten Brebes, Jawa Tengah Farahdillah, Reyhanniza Ekka; Pasaribu, Riza Aitiando; Gaol, Jonson Lumban
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 1: Februari 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20251218219

Abstract

Berdasarkan penelitian sebelumnya, Pesisir Desa Kaliwlingi, Kabupaten Brebes mengalami abrasi sepanjang 7 km dengan luas 186 hektar atau 30% dari luas abrasi di Kabupaten Brebes. Hal tersebut diakibatkan oleh adanya konversi lahan mangrove menjadi tambak yang dapat merusak lahan pantai. Peningkatan abrasi setiap tahun mendorong masyarakat peduli lingkungan melakukan kegiatan konservasi lahan mangrove untuk mengurangi abrasi dan akresi, disepanjang pantai. Penelitian ini bertujuan untuk mengetahui nilai threshold yang memisahkan mangrove dengan non-mangrove dan luasan mangrove. Penelitian ini menggunakan data citra Sentinel-2A dan data lapang hasi survei. Data satelit diolah dan dianalisis menggunakan algoritma Mangrove Vegetation Index (MVI). Simple random sampling digunakan untuk menentukan pengambilan titik lapang yang digunakan sebagai acuan klasifikasi kelas mangrove dan non-mangrove dari citra satelit. Uji akurasi algoritma MVI menggunakan matriks konfusi, dan koefisien kappa. Hasil penelitian menunjukan jenis mangrove di sekitar 4 stasiun penelitian adalah Avicennia marina, Avicennia alba, dan Rhizophora mucronata. Hasil pemetaan menggunakan algoritma MVI menunjukkan nilai threshold MVI mangrove berkisar antara 2,3 hingga 19,54, sementara nilai non-mangrove adalah <2,3 dan >19,54. Luasan mangrove tahun 2022 sebesar 299,3 ha. Uji akurasi algoritma MVI menunjukkan hasil yang baik dengan akurasi keseluruhan sebesar 86,81% dan koefisien kappa sebesar 0,73.   Abstract Based on previous research, Kaliwlingi Village Coastal, Brebes Regency experienced abrasion along 7 km with an area of 186 hectares or 30% of the abrasion area in Brebes Regency. It happened due to the conversion of mangrove land into ponds that can damage coastal land. The increase in abrasion every year encourages people to care about the environment to carry out mangrove land conservation activities to reduce abrasion and accretion, along the coastal. This study aims to determine threshold value that separates class between mangroves and non-mangrove area, then estimate the changing area of mangrove. This study used Sentinel-2A imagery datas and survey field data. Satellite data processed and analyzed, was using the Mangrove Vegetation Index (MVI) algorithm. Simple random sampling used to determine the selection of field points used as a reference for classifying mangrove and non-mangrove classes from satellite images. Test the accuracy of the MVI algorithm used a fusion matrix, and a kappa coefficient. The results showed that the types of mangroves around 4 research stations were Avicennia marina, Avicennia alba, and Rhizophora mucronata. The mapping results used the MVI algorithm showed that the threshold value of mangrove MVI ranged from 2,30 to 19,54, while non-mangrove values were <2,30 and >19,54. The area of mangroves in 2022 has 299,3 ha. The MVI algorithm accuracy test showed good results with an overall accuracy was 86,81% and a kappa coefficient was 0,73.
Deep Learning dengan Teknik Early Stopping untuk Mendeteksi Malware pada Perangkat IoT Andika Surya, Iwang Moeslem; Cahyanto, Triawan Adi; Muharom, Lutfi Ali
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 1: Februari 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128267

Abstract

Perkembangan pesat teknologi, khususnya Internet of Things (IoT), telah memberikan dampak signifikan dalam berbagai sektor kehidupan manusia. IoT memungkinkan pertukaran data antar perangkat secara otomatis melalui jaringan internet, mengubah cara manusia berinteraksi dengan lingkungan sekitarnya. Meskipun IoT memberikan berbagai manfaat seperti kemudahan mengakses perangkat dari jarak jauh, kehadirannya juga membawa potensi bahaya terkait dengan keamanan siber, privasi, dan ketergantungan terhadap teknologi. Artikel ini membahas upaya untuk mengatasi ancaman keamanan siber pada ekosistem IoT dengan mengimplementasikan sistem deteksi berbasis klasifikasi malware. Pendekatan ini memanfaatkan teknik pembelajaran mesin, terutama deep learning, untuk mengidentifikasi dan memitigasi ancaman siber. Penggunaan Convolutional Neural Network (CNN) dalam klasifikasi dataset IoT-23 dengan teknik penyeimbangan data SMOTE (Synthetic Minority Oversampling Technique) serta fungsi Early Stopping menunjukkan hasil yang tinggi. Meskipun CNN awalnya dirancang untuk pengolahan gambar, algoritma ini juga efektif dalam mendeteksi pola kompleks pada data non-gambar seperti lalu lintas jaringan IoT karena kemampuannya dalam ekstraksi fitur hierarkis. Akurasi yang diperoleh pada dataset tidak seimbang adalah sebesar 99%, sedangkan pada dataset seimbang sebesar 75%. Presisi dan Recall yang diperoleh pada dataset tidak seimbang di kelas 0 adalah 100% dan 35%, sedangkan pada kelas 1 adalah 99% dan 100%. Pada dataset seimbang, presisi dan recall di kelas 0 adalah 67% dan 100%, sedangkan pada kelas 1 adalah 100% dan 51%.   Abstract The rapid development of technology, especially the Internet of Things (IoT), has significantly impacted various sectors of human life. IoT enables automatic data exchange between devices via the internet, changing how humans interact with their surroundings. Although IoT provides multiple benefits, such as ease of accessing devices remotely, its presence also brings potential dangers related to cybersecurity, privacy, and dependence on technology. This article discusses efforts to address cybersecurity threats in the IoT ecosystem by implementing a malware classification-based detection system. This approach utilizes machine learning techniques and intense learning to identify and mitigate cyber threats. The use of Convolutional Neural Network (CNN) in classifying the IoT-23 dataset with the SMOTE (Synthetic Minority Oversampling Technique) data balancing technique and the Early Stopping function shows high results. Although CNN was initially designed for image processing, this algorithm also effectively detects complex patterns in non-image data, such as IoT network traffic, due to its ability to extract hierarchical features. The accuracy obtained on the unbalanced dataset is 99%, while on the balanced dataset, it is 75%. The precision and recall obtained on the unbalanced dataset in class 0 are 100% and 35%, while in class 1 are 99% and 100%. In the balanced dataset, the precision and recall in class 0 are 67% and 100%, while in class 1 are 100% and 51%.
Analisis Kinerja Model Deteksi Objek Yolo, Ssd, dan Faster R-Cnn pada Citra Penglihatan Malam untuk Pengenalan Tindak Kejahatan Achmad, Hendriyawan; Pramudwiatmoko, Arif; Satrio Gumilang, Muhammad; Al Karim, Bahrul; Wiyono, Hadi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 1: Februari 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128409

Abstract

Kejahatan klitih di wilayah Yogyakarta telah menimbulkan kekhawatiran serius bagi pemerintah dan masyarakat, sehingga mengancam keamanan dan kenyamanan publik. Dalam upaya penanganan permasalahan ini, penelitian ini mengajukan solusi implementasi teknologi keamanan yang berfokus pada kamera night vision dan machine learning guna mendeteksi kejahatan klitih dengan efektif, khususnya pada rentang waktu malam.  Data yang dikumpulkan untuk penelitian ini terdiri dari 1006 gambar yang direkam dari aksi kejahatan klitih. Proses pengolahan data melibatkan beberapa tahap, dimulai dengan preprocessing di mana seluruh gambar diubah ukurannya menjadi 640x640 piksel. Selanjutnya, dilakukan augmentasi data untuk meningkatkan variasi dan ketangguhan model, berupa rotasi sebesar 90°, crop dengan variasi zoom dari 0% hingga 20%, penambahan noise dilakukan hingga 5%.  Hasil penelitian menunjukkan bahwa model YOLOv6 memberikan kinerja terbaik dalam mendeteksi label senjata, dengan akurasi sebesar 0,9 dan F1-score mencapai 0,91. Sementara itu, dalam mengenali kejahatan fisik, YOLOv6 juga menunjukkan performa unggul dengan akurasi 0,63 dan F1-score 0,73. Model Faster R-CNN dan SSD juga memberikan hasil yang baik, namun YOLOv6 mempertahankan dominasi dalam deteksi kejahatan klitih berdasarkan akurasi dan evaluasi metrik lainnya. Pemanfaatan teknologi pendeteksian klitih di masa depan dapat memberikan kontribusi positif dalam menciptakan lingkungan yang lebih aman dan nyaman bagi seluruh masyarakat.   Abstract The prevalence of klitih criminal activity within the Yogyakarta region has engendered significant apprehension among governmental authorities and the public alike, thereby posing a substantial risk to community safety and well-being. In an effort to address this pressing concern, the present research advocates for the deployment of advanced security technologies, specifically emphasizing the utilization of night vision surveillance cameras in conjunction with machine learning algorithms to proficiently identify klitih-related offenses, particularly during nocturnal hours. The dataset utilized for this investigation comprises 1,006 photographic images obtained from various klitih crime occurrences. The data processing procedures encompassed multiple phases, commencing with preprocessing wherein all images were standardized to dimensions of 640x640 pixels. Subsequently, data augmentation techniques were employed to bolster the diversity and resilience of the model, incorporating transformations such as 90° rotations, cropping with zoom variations ranging from 0% to 20%, and the introduction of noise levels of up to 5%. The findings of this study indicate that the YOLOv6 model exhibited the most favorable performance in the detection of weapon classifications, achieving an accuracy rate of 0.9 and an F1-score of 0.91. Furthermore, in the context of identifying physical crimes, YOLOv6 similarly showcased outstanding efficacy, attaining an accuracy of 0.63 and an F1-score of 0.73. Although the Faster R-CNN and SSD models yielded commendable results, YOLOv6 sustained its preeminence in the realm of klitih crime detection, as evidenced by its superior accuracy and other evaluative metrics. The prospective implementation of klitih detection technology holds the potential to make a constructive impact in fostering a safer and more secure environment for the entire community.

Page 113 of 129 | Total Record : 1288

 111   112   113   114   115 

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 (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