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
 113   114   115   116   117 
Kajian Data Mining untuk Klasifikasi Gender Menggunakan Data Wajah dengan Algoritma Naive Bayes dan K Nearest Neighbor (KNN) Fathah, Adittia; Juliane, Christina
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.2025128724

Abstract

Identifikasi gender saat ini lebih sulit dilakukan. Penyebabnya antara lain banyaknya klasifikasi gender, penggunaan identitas palsu di media sosial dan semakin maraknya foto palsu. Peristiwa nyata yang terjadi adalah banyaknya klasifikasi di negara Thailand yang memiliki 18 gender. Peristiwa lainnya adalah penambahan gender “X” pada aplikasi permohonan passport di Amerika dan beredarnya foto palsu yang diedit dengan aplikasi FaceApp. Kejadian tersebut menyebabkan perlunya membuat model yang bisa melakukan klasifikasi gender agar gender asli dari seseorang bisa diketahui. Penelitian dilakukan dengan mencari model yang bisa mengklasifikasikan gender. Caranya adalah dengan membandingkan hasil akurasi dua algoritma yaitu Naïve Bayes dan KNN (K Nearest Neighbor). Metode yang digunakan mengikuti tahapan dalam KDD (Knowledge Discovery in Database). Atribut yang dipakai adalah bagian-bagian pada wajah yaitu lebar dahi, lebar hidung, panjang hidung, bibir dan jarak hidung ke bibir. Akurasi kedua algoritma diuji dengan metode Cross Validation dan Confusion Matrix. Tujuan penelitian ini adalah memastikan apakah atribut wajah dapat digunakan untuk klasifikasi gender serta menentukan model yang lebih baik antara Naïve Bayes atau KNN. Hasil pengujian menunjukkan, kedua algoritma memiliki akurasi yang sangat baik. Namun algoritma Naïve Bayes memiliki nillai AUC yang lebih tinggi yaitu 0,996 dibanding algoritma KNN yang memiliki nilai AUC sebesar 0,992. Berdasarkan nilai tersebut, atribut bagian-bagian pada wajah yaitu lebar dahi, lebar hidung, panjang hidung, bibir dan jarak hidung ke bibir dapat digunakan untuk klasifiikasi gender, karena bisa menghasilkan akurasi yang baik. Namun, model Naïve Bayes lebih direkomendasikan karena nilai akurasinya lebih tinggi dan stabil. 
Penerapan Metode Weighted Product (WP) Dalam Sistem Pendukung Keputusan Penerimaan Karyawan Pada Dewata Store Fakfak Rumui, Nelson; Nur Rolan Niah, Cahya; Rumalutur, Fathurrahman; Sakinah, Nur
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.2024118739

Abstract

Perekrutan  karyawan  penting bagi perusahaan untuk mendapatkan karyawan baru yang potensial guna mendukung produktivitas perusahaan. Dewata Store Fakfak merupakan perusahaan dagang yang melayani penjualan dan pembelian aneka kebutuhan masyarakat. Namun rekrutmen karyawan Dewata Store Fakfak masih dilakukan secara manual di mana pelamar masih membawa berkas secara langsung dan perusahaan sering kali kesulitan karena banyaknya calon karyawan sehingga proses rekrutmen masih membutuhkan waktu yang lama. Oleh karena itu, diperlukan suatu sistem penunjang pengambilan keputusan dengan menggunakan pendekatan solusi multi-kriteria dan metode Weighted Product (WP), di mana banyak kriteria yang perlu diperhatikan dalam pemilihan karyawan. Dalam mengimplementasikan metode WP untuk penentuan penerimaan karyawan di Dewata Store Fakfak melalui langkah berikut:(1) penentuan alternatif, (2) Penentuan Kriteria, (3) Penentuan tingkat kepentingan setiap kriteria, (4) Penentuan bobot, (5) Penentuan nilai setiap alternatif di setiap kriteria, (6) Penentuan kategori (cost/benefit) di setiap kriteria, (7) Melakukan normalisasi, (8) Menghitung nilai vektor S, (9) Menghitung nilai vektor S, dan (10) Melakukan perankingan. Penelitian ini ditentukan berdasarkan 9 (sembilan) kriteria yaitu wawancara, tes kepribadian, tes matematika, surat lamaran, CV, KTP, ijazah terakhir, SKCK dan surat kesehatan dengan 10 data sampel. Pada pengujian sistem, metode yang digunakan adalah black box testing, di mana  keseluruhan pengujian berhasil dilakukan. Tujuan penelitian ini menghasilkan sebuah sistem pendukung keputusan dalam proses penerimaan karyawan baru di Dewata Store Fakfak. Hasil penelitian ini dimaksudkan untuk memudahkan pengambilan keputusan dalam mengidentifikasi karyawan berdasarkan kebutuhan dan kriteria Dewata Store Fakfak.   Abstract Employee recruitment is important for companies to get potential new employees to support company productivity. Dewata Store Fakfak is a trading company that serves sales and purchases of various community needs. However, recruitment of Dewata Store Fakfak employees is still done manually where applicants still bring files directly and the company often has difficulties because of the large number of prospective employees so the recruitment process still takes a long time. Therefore, a decision support system is needed using a multi-criteria solution approach and the Weighted Product (WP) method, where many criteria need to be considered in employee selection. In implementing the WP method for determining employee recruitment at the Dewata Store Fakfak through the following steps:(1) determining alternatives, (2) Determining Criteria, (3) Determining the level of importance of each criterion, (4) Determining weights, (5) Determining the value of each alternative in each criterion, (6) Determining the category (cost/benefit) in each criterion, (7) Carrying out normalization, (8) Calculating the S vector value, (9) Calculating the S vector value, and (10) Ranking. This research was determined based on 9 (nine) criteria, namely interview, personality test, mathematics test, application letter, CV, KTP, latest diploma, SKCK and health certificate with 10 sample data. In system testing, the method used is black box testing, where the entire test is carried out successfully. The aim of this research is to produce a decision support system in the process of accepting new employees at Dewata Store Fakfak. The results of this research are intended to facilitate decision making in identifying employees based on the needs and criteria of Dewata Store Fakfak.
Pembuka Kunci Pintu Ruang Isolasi Mandiri Menggunakan Suhu Tubuh Dengan Notifikasi Foto Menggunakan Konsep IoT Candra, Robby; Elvantio, Zaidan
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.2025128759

Abstract

Kedisiplinan dan pengetahuan setiap warga dalam menjalani isolasi mandiri berbeda–beda ada  warga yang patuh terhadap protokol isolasi mandiri dan ada warga yang tidak peduli dengan kesehatan dirinya sendiri dan kesehatan orang lain. Banyaknya jumlah penderita COVID-19 khususnya penderita yang memiliki gejala ringan disarankan untuk menjalankan isolasi mandiri di rumah. Tujuan dari penelitian ini adalah merancang pembuka kunci pintu menggunakan suhu tubuh bagi pasien isolasi mandiri agar tidak bebas keluar dari ruang isolasi sehingga orang yang menjalani isolasi mandiri dapat tertib menjalankan prosedur isolasi mandiri. Pembuatan alat pembuka kunci pintu ruang isolasi mandiri ini menggunakan komponen elektronik utama yaitu Sensor Mlx yang digunakan untuk mendeteksi suhu tubuh pasien, Nodemcu yang berfungsi untuk memprogram sistem menjadi IoT yang tersambung ke solenoid doorlock. LCD digunakan untuk menampilkan output hasil pengukuran suhu tubuh. ESP32 Cam untuk mendeteksi objek dan hasilnya ditampilkan sebagai objek foto untuk mengetahui siapa yang mengakses kunci pintu ruang isolasi mandiri. Alat ini dapat mendeteksi suhu tubuh yang hasilnya dapat dilihat melalui smartphone, apabila suhu orang yang isolasi mandiri >37,5ºC maka solenoid doorlock akan mengunci sehingga orang tersebut tidak bebas keluar ruangan. Dengan menggunakan ESP32 Cam dapat diketahui siapa yang mengakses kunci pintu ruang isolasi mandiri yang ditampilkan dalam objek foto pada smartphone melalui aplikasi Blynk.   Abstract The discipline and knowledge of each resident in undergoing self-isolation is different, there are residents who comply with the self-isolation protocol and there are residents who don't care about their own health and the health of others. The large number of COVID-19 sufferers, especially sufferers who have mild symptoms, are advised to self-isolate at home. The aim of this research is to design a door lock opener using body temperature for self-isolated patients so that they are not free to leave the isolation room so that people undergoing self-isolation can carry out self-isolation procedures in an orderly manner. Making this self-isolation room door unlocking tool uses the main electronic components, namely the Mlx Sensor which is used to detect the patient's body temperature, Nodemcu which functions to program the system into IoT which is connected to the doorlock solenoid. The LCD is used to display the output of body temperature measurement results. ESP32 Cam to detect objects and the results are displayed as photo objects to find out who accessed the self-isolation room door lock. This tool can detect body temperature, the results of which can be seen via a smartphone. If the temperature of a person in self-isolation is >37.5ºC, the doorlock solenoid will lock so that the person is not free to leave the room. By using the ESP32 Cam, you can find out who accessed the door key to the self-isolation room which is displayed in the photo object on the smartphone via the Blynk application.
Analisis Perubahan Luas Lahan Hijau Di Kota Bogor Dengan Citra Landsat 8 Menggunakan Normalized Difference Vegetation Index Anggraeni, Irma; Runanto; Denih, Asep
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.2024118771

Abstract

Kota Bogor adalah salah satu daerah di Provinsi Jawa Barat yang mempunyai laju pertumbuhan penduduk yang meningkat. Jumlah penduduk yang semakin bertambah tentu saja mempengaruhi bertambahnya kebutuhan manusia akan penggunaan lahan untuk prasarana seperti permukiman, sosial ekonomi dan jasa. Penggunaan lahan untuk prasarana sangatlah berdampak terhadap berkurangnya lahan pertanian dan hutan yang secara otomatis dapat mengurangi tingkat kerapatan vegetasi. Penelitian ini bertujuan untuk menganalisis perubahan luas lahan hijau di Kota Bogor dari tahun 2015 hingga tahun 2020 dengan citra landsat 8 menggunakan Normalized Difference Vegetation Index (NDVI). Pada penelitian ini menggunakan data citra landsat 8 collection 2 level 2 dari tahun 2015 hingga tahun 2020 dengan path sebesar 122 dan row sebesar 45 sebanyak 137 citra dan peta administrasi Kota Bogor. Dari 137 citra diperoleh 7 citra tanpa awan yang dilakukan proses analisis perhitungan nilai NDVI untuk mengetahui luas wilayah vegetasi dan wilayah tanpa vegetasi. Proses klasifikasi nilai NDVI untuk kelas vegetasi dan tanpa vegetasi dilakukan menggunakan metode ambang batas (threshold). Berdasarkan proses penelitian yang telah dilakukan untuk luas wilayah vegetasi di Kota Bogor dari tahun 2015 - 2020 mengalami kenaikan sebesar 4,46 Km2 dengan laju perubahan lahan sebesar 14,4%. Kenaikan luas wilayah vegetasi yang terbesar terjadi di kecamatan Bogor Selatan dengan laju perubahan lahan sebesar 4,7% relatif terhadap Kota Bogor dengan perubahan lahan sebesar 1,45 Km2.   Abstract Bogor City is one of the areas in West Java Province that has an increasing population growth rate. The growing population certainly affects the increasing human need for land use for infrastructure such as settlements, socio-economic and services. The use of land for infrastructure has a significant impact on the reduction of agricultural land and forests, which can automatically reduce the level of vegetation density. This study aims to analyze the changes in green land area in Bogor City from 2015 to 2020 with Landsat 8 imagery using the Normalized Difference Vegetation Index (NDVI) and in this study using Landsat 8 collection 2 level 2 image data from 2015 to 2020 with a path of 122 and a row of 45, as many as 137 images and administrative maps of Bogor City. Of the 137 images, seven cloudless photos were obtained by the NDVI value calculation process to determine the area of vegetation and the non-vegetation regions. The process of classifying NDVI values for vegetation and non-vegetation classes is carried out using the threshold method. Based on the research process that has been carried out for the area of vegetation in Bogor City from 2015 - 2020, it has increased by 4,46 Km2 with a land change rate of 14.4%. The most significant increase in vegetation area occurred in the South Bogor sub-district with a land change rate of 4.7% compared to Bogor City with a land change of 1,45 Km2.
Analisis Sentimen Berbahasa Inggris Dengan Metode Lstm Studi Kasus Berita Online Pariwisata Bali Krisna Sedana, Ngakan Made; Sedana, Ngakan Made Krisna; Wijaya, I Nyoman Saputra Wahyu; Arthana, I Ketut Resika
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.2024118792

Abstract

Semaikin berkembangnya pariwisata di Bali, persepsi terhadap berita yang beredar tentang pariwisata menjadi faktor penting yang memengaruhi citra destinasi wisata tersebut. Namun, analisis sentimen terhadap berita pariwisata berbahasa Inggris seringkali menghadapi tantangan, terutama karena kompleksitas bahasa dan ketidakseimbangan data sentimen. Penelitian ini bertujuan untuk memperdalam pemahaman mengenai tren dan isu terkini yang berhubungan tentang industri pariwisata Bali melalui analisis sentimen berdasarkan konten berita. Fokus utama penelitian adalah pada berita pariwisata Bali yang diunggah dalam portal media online internasional, khususnya dari Australia dan Inggris. Analisis sentimen dilakukan menggunakan model machine learning LSTM (Long-Term Memory), dengan data berita yang telah diberi label sentimen oleh pakar sesuai dengan isi berita. Pembagian dataset optimal adalah 90% untuk data pelatihan dan 10% untuk data pengujian. Hasil penelitian menunjukkan bahwa model LSTM berhasil mencapai tingkat akurasi sebesar 81,36%. Selanjutnya, untuk mengidentifikasi pola topik yang tersembunyi dan mengelompokkan berita dengan topik atau isu serupa, digunakan metode LDA (Latent Dirichlet Allocation). Penelitian ini mengungkap bahwa jumlah topik yang ideal bervariasi tergantung pada nilai kohesi yang diperoleh dari sentimen data yang digunakan. Implikasi temuan ini dapat memberikan wawasan lebih dalam tentang persepsi dan respon terhadap berita pariwisata Bali, sekaligus menunjukkan potensi aplikasi model machine learning dan metode LDA dalam analisis tren industri pariwisata.   Abstract As tourism in Bali continues to grow, perceptions of news circulating about tourism have become an important factor influencing the image of the tourist destination. However, sentiment analysis of English-language tourism news often faces challenges, especially due to the complexity of the language and the imbalance of sentiment data. This research aims to deepen understanding of the latest trends and issues related to the Bali tourism industry through sentiment analysis based on news content. The main focus of the research is on Bali tourism news uploaded on international online media portals, especially from Australia and England. Sentiment analysis is carried out using the LSTM (Long-Term Memory) machine learning model, with news data that has been labeled with sentiment by experts according to the content of the news. The optimal dataset division is 90% for training data and 10% for testing data. The research results show that the LSTM model succeeded in achieving an accuracy level of 81.36%. Furthermore, to identify hidden topic patterns and group news with similar topics or issues, the LDA (Latent Dirichlet Allocation) method is used. This research reveals that the ideal number of topics varies depending on the cohesion value obtained from the sentiment data used. The implications of these findings can provide deeper insight into perceptions and responses to Bali tourism news, as well as showing the potential application of machine learning models and LDA methods in analyzing tourism industry trends.
Perbandingan Algoritma Stemming Porter, Sastrawi, Idris, Dan Arifin & Setiono Pada Dokumen Teks Bahasa Indonesia Pardede, Jasman; Darmawan, Dicky
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.2025128860

Abstract

Information Retrieval (IR) memiliki fungsi untuk memisahkan dokumen-dokumen yang relevan dari sekumpulan dokumen yang ada. Terdapat sebuah proses penting pada IR, yaitu stemming. Stemming adalah proses untuk mengurangi kata-kata berimbuhan menjadi bentuk kata dasar. Pada beberapa penelitian sering menggunakan stemming yang berbeda-beda, bahkan ada penelitian yang telah mencoba membandingkan dua algoritma stemming. Sedangkan pada penelitian ini membandingkan empat algoritma stemming. Tujuan penelitian ini adalah untuk mengungkapkan pengaruh stemming pada IR menggunakan dokumen bahasa Indonesia. Algoritma stemming yang digunakan pada penelitian ini adalah Porter, Sastrawi, Idris, dan Arifin Setiono. Kinerja masing-masing algoritma stemming diukur berdasarkan nilai presisi dan kebutuhan waktu. Terdapat 120 dokumen berbahasa Indonesia yang digunakan untuk mengukur kinerja masing-masing algoritma. Berdasarkan hasil eksperimen diperoleh bahwa kinerja terbaik untuk presisi adalah stemming Sastrawi. Sedangkan kinerja terbaik dari segi kebutuhan waktu adalah stemming Arifin Setiono. Kinerja presisi masing-masing stemming Sastrawi, Arifin Setiono, Porter, dan Idris adalah 70.3%, 55.8%, 49.9%, dan 32.2%. Sedangkan kinerja kebutuhan waktu rata-rata masing-masing stemming Arifin Setiono, Sastrawi, Idris, dan Porter adalah sebesar 0,123 detik, 160.1 detik, 168.8 detik, dan 188.4 detik.   Abstract Information Retrieval (IR) has the function of separating relevant documents from a set of existing documents. An important process in IR is stemming. Stemming is the process of reducing affixed words into basic word forms. In several studies, different stemming is often used, and even studies have tried to compare two stemming algorithms. In this study, four stemming algorithms were compared. The purpose of this study was to reveal the effect of stemming on IR using Indonesian language documents. The stemming algorithms used in this study were Porter, Sastrawi, Idris, and Arifin Setiono. The performance of each stemming algorithm was measured based on the accuracy value and time requirements. There were 120 Indonesian language documents used to measure the performance of each algorithm. Based on the experimental results, it was obtained that the best performance for precision was the Sastrawi stemming. While the best performance in terms of time requirements was the Arifin Setiono stemming. The precision performance of each stemming of Sastrawi, Arifin Setiono, Porter, and Idris is 70.3%, 55.8%, 49.9%, and 32.2%. Meanwhile, the average time requirement performance of each stemming of Arifin Setiono, Sastrawi, Idris, and Porter is 0.123 sec, 160.1 sec, 168.8 sec, and 188.4 sec.
Klasifikasi Ekspresi Wajah Menggunakan Covolutional Neural Network Taufiq Akbar, Ahmad; Akbar, Ahmad Taufiq; Saifullah, Shoffan; Prapcoyo, Hari
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.2024118888

Abstract

Pengenalan ekspresi wajah adalah tantangan penting dalam pengolahan citra dan interaksi manusia-komputer karena kompleksitas dan variasi yang ada. Penelitian ini mengusulkan arsitektur sederhana Convolutional Neural Network (CNN) untuk meningkatkan efisiensi klasifikasi emosi pada dataset kecil. Dataset yang digunakan adalah Jaffe, yang terdiri dari 213 citra berukuran 256x256 piksel dalam tujuh kategori ekspresi. Citra-citra tersebut di-resize menjadi 128x128 piksel untuk mempercepat pemrosesan. Data diproses menggunakan arsitektur CNN yang terdiri dari 3 lapisan konvolusi, 2 lapisan subsampling, dan 2 lapisan dense. Kami mengevaluasi model dengan 5-fold dan 10-fold cross-validation untuk estimasi kinerja yang robust, serta teknik hold-out (70:30, 80:20, 85:15, dan 90:10) untuk perbandingan hasil yang jelas. Hasil menunjukkan akurasi tertinggi sebesar 90.6% dengan learning rate 0.001 pada pembagian 85% data latih dan 15% data uji, melebihi model yang lebih kompleks. Meskipun tidak menggunakan transfer learning atau augmentasi data, model ini tetap unggul dibandingkan pendekatan tradisional seperti Local Binary Pattern (LBP) dan Histogram Oriented Gradient (HOG). Dengan demikian, arsitektur CNN yang sederhana ini terbukti efektif untuk pengenalan ekspresi wajah pada dataset kecil.   Abstract Facial expression recognition is a significant challenge in image processing and human-computer interaction due to its inherent complexity and variability. This study proposes a simple Convolutional Neural Network (CNN) architecture to enhance the efficiency of emotion classification on small datasets. Jaffe's dataset consists of 213 images sized 256x256 pixels across seven expression categories. These images were resized to 128x128 pixels to accelerate processing. The data was processed using a CNN architecture comprising 3 convolutional layers, 2 subsampling layers, and 2 dense layers. We evaluated the model with 5-fold- and 10-fold cross-validation for robust performance estimation and hold-out techniques (70:30, 80:20, 85:15, and 90:10) for clear result comparison. The results indicated the highest accuracy of 90.6% with a learning rate of 0.001 using the 85% training and 15% testing data split, surpassing that of more complex models. Although the model does not employ transfer learning or data augmentation, it still outperforms traditional approaches such as Local Binary Pattern (LBP) and Histogram Oriented Gradient (HOG). Thus, this simple CNN architecture proves effective for facial expression recognition on small datasets.
Penerapan Teachable Machine Dan Raspberry Pi Pada Sistem Klasifikasi Citra Untuk Inspeksi Cacat Kain Nugroho, Emmanuel Agung; Setiawan, Joga Dharma; M, Munadi; Rustiyanti, Alifa
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.2025128932

Abstract

Industri tekstil memainkan peran krusial dalam ekonomi nasional, menghadapi tantangan signifikan dalam menjaga kualitas produk untuk memenuhi kepuasan konsumen. Cacat produksi, seperti cacat jarang dan cacat slap pada kain, merupakan salah satu faktor utama yang mempengaruhi kualitas produk tekstil. Penelitian ini bertujuan untuk mengembangkan sistem inspeksi cacat kain secara otomatis dengan menggunakan metode pemrosesan citra digital dan machine learning. Sistem ini dirancang untuk diintegrasikan pada mesin penggulungan kain sebagai sistem inspeksi awal sebelum kain didistribusikan. Metode yang digunakan meliputi supervised learning untuk klasifikasi citra kain, memanfaatkan perangkat lunak Google Teachable Machine dan algoritma Convolutional Neural Network (CNN) yang diimplementasikan dengan OpenCV. Perangkat keras yang digunakan terdiri dari kamera web Logitech D320 untuk akuisisi gambar dan Raspberry Pi-3B sebagai pengolah citra. Sistem ini diuji untuk mendeteksi tiga kategori kain: kain bagus, cacat jarang, dan cacat slap. Hasil pengujian menunjukkan bahwa sistem memiliki rata-rata waktu inferensi sebesar 142,47 ms dengan kecepatan rata-rata 6,46 frame per detik (FPS) dan akurasi klasifikasi mencapai 98,48%. Dengan implementasi sistem ini, diharapkan dapat meningkatkan efisiensi produksi, memperkuat kontrol kualitas di industri tekstil, mengurangi intervensi manual, dan menurunkan potensi kerugian akibat produk cacat.   Abstract The textile industry plays a crucial role in the national economy, facing significant challenges in maintaining product quality to meet consumer satisfaction. Production defects, such as rare defects and slap defects in fabrics, are key factors that affect the quality of textile products. This research aims to develop an automated fabric defect inspection system using digital image processing and machine learning methods. The system is designed to be integrated into fabric winding machines as an initial inspection system before the fabric is distributed. The methods used include supervised learning for fabric image classification, utilizing Google Teachable Machine software and the Convolutional Neural Network (CNN) algorithm implemented with OpenCV. The hardware used consists of a Logitech D320 webcam for image acquisition and a Raspberry Pi-3B as the image processor. The system was tested to detect three categories of fabric: good fabric, rare defects, and slap defects. The test results showed that the system achieved an average inference time of 142.47 ms with an average speed of 6.46 frames per second (FPS) and a classification accuracy of 98.48%. With the implementation of this system, it is expected to enhance production efficiency, strengthen quality control in the textile industry, reduce manual intervention, and decrease potential losses due to defective products.
Pengembangan Internet Of Things (IOT) Dalam Perekaman Data Iklim Mikro Dengan Platform Thingsboard Nurwarsito, Heru; Adaby, Resnu Wahyu
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.2024118987

Abstract

Tantangan terbesar pada sektor Pertanian di Indonesia adalah perubahan iklim. Adanya Perubahan iklim memicu perubahan lingkungan yang berimbas pada perubahan respons tanaman. Penelitian ini membahas Teknologi Internet of things (IoT) dalam perekaman data iklim mikro dengan thingsboard. Metode yang digunakan dalam penelitian ini adalah eksperimental dengan perancangan pada penelitian ini terdiri dari perancangan node sensor dan perancangan sistem perekaman dengan platform Thingsboard. Penelitian ini dilakukan dengan tujuh pengujian di antaranya pengujian konektivitas gateway dengan GSM, pengujian jarak dan kualitas sinyal, pengujian delay, pengujian daya tahan perangkat, pengujian integrasi The Things Network dengan Thingsboard, pengujian akurasi sensor dan kalibrasi, serta pengujian packet loss. Penelitian ini menemukan hasil Gateway memiliki jaringan GSM yang stabil sehingga Gateway mampu mengirimkan pembaruan status ke The Things Network dan mampu untuk menerima data yang ditransmisikan oleh node sensor. Selain itu, Pada perangkat LoRa diidentifikasi memiliki batas jangkauan sekitar 350 meter ke dalam UB Forest hal ini didukung dengan hasil dari pengujian kehilangan paket dengan hasil pada node LC dengan jarak 150 meter nilai kehilangan paket sebesar 4%, dan node BAU dengan jarak 200 meter hingga 300 m nilai kehilangan paket sebesar 8%. Penelitian ini juga menemukan bahwa integrasi antara The Things Network (TTN) dan Thingsboard pada sistem LoRa berhasil dilakukan tanpa kendala. Sistem juga memiliki poin plus yang ramah pengguna dan efektif untuk aplikasi pemantauan data iklim mikro. Penelitian ini juga melibatkan proses kalibrasi dengan menggunakan metode regresi untuk menunjukkan tingkat keberhasilan dan nilai akurasi dengan hasil hampir mendekati 100%.   Abstract The biggest challenge in the agricultural sector in Indonesia is climate change. Climate change triggers environmental changes that have an impact on changes in plant responses. This study discusses Internet of things (IoT) technology in recording microclimate data with Thingsboard. The method used in this study is experimental with the design in this study consisting of designing sensor nodes and designing a recording system with the Thingsboard platform. This research was conducted with seven tests including gateway connectivity testing with GSM, distance and signal quality testing, delay testing, device durability testing, The Things Network integration testing with Thingsboard, sensor accuracy and calibration testing, and packet loss testing. This research found that Gateway has a stable GSM network so that Gateway is able to send status updates to The Things Network and is able to receive data transmitted by sensor nodes. LoRa devices were identified as having a range limit of about 350 meters into UB Forest, this is supported by the results of packet loss testing with results on LC nodes with a distance of 150 meters packet loss value of 4%, and BAU nodes with a distance of 200 meters to 300 m packet loss value of 8%. This research also found that the integration between The Things Network (TTN) and Thingsboard on the LoRa system was successfully carried out without problems. The system also has plus points that are user-friendly and effective for microclimate data monitoring applications. This research also involves a calibration process using regression methods to show the success rate and accuracy value with results approaching 100%.
Optimasi Model Extreme Gradient Boosting Dalam Upaya Penentuan Tingkat Risiko Pada Ibu Hamil Berbasis Bayesian Optimization (BOXGB) Kusuma, Edi Jaya; Nurmandhani, Ririn; Aryani, Lenci; Pantiawati, Ika; Shidik, Guruh Fajar
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.2025129001

Abstract

Kehamilan pada ibu hamil memiliki beragam risiko selama prosesnya seperti preeklampsia, diabetes dan hipertensi gestational. Seiring dengan perkembangan teknologi dan pemanfaatan data, implementasi machine learning dalam pengembangan early diagnosis system untuk tingkat risiko kehamilan telah banyak dilakukan. Namun kendala dalam penerapan machine learning adalah sulitnya menemukan konfigurasi parameter yang tepat agar model machine learning mampu memberikan akurasi prediksi yang mumpuni. Pada penelitian ini diusulkan metode optimasi berbasis Bayesian untuk mengoptimalisasikan hyper-parameter dari model Decision Tree (DT) dan Extreme Gradient Boosting (XGB). Kedua model teroptimasi tersebut dilatih dan diuji dengan menggunakan data risiko kehamilan yang diperoleh dari hasil pengukuran medis pada ibu hamil. Dari hasil evaluasi diketahui terdapat pengaruh jumlah iterasi pada Bayesian Optimization (BO). Implementasi BO pada model Decision Tree (BODT) menunjukkan adanya sedikit peningkatan nilai performa dibandingan dengan penelitian sebelumnya. Sementara itu, capaian performa tertinggi diperoleh oleh kombinasi model XGB dan Bayesian (BOXGB) dimana capaian nilai akurasi pada model BOXGB yaitu 87% diikuti dengan nilai rata-rata presisi, recall, dan F1-score masing-masing sebesar 88%, 87%, dan 88%. Secara keseluruhan implementasi Bayesian Optimization mampu memberikan setelan hyper-parameter yang dapat meningkatkan kemampuan model machine learning khususnya dalam memprediksi tingkat risiko kehamilan pada ibu hamil berdasarkan data pengukuran klinis.   Abstract During pregnancy process there are various risks such as preeclampsia, gestational diabetes and gestational hypertension. Along with the developments in technology as well as data science, the implementation of machine learning in early diagnosis system for pregnancy risk levels prediction has been widely carried out. However, there is a challenge in implementing machine learning, which is find the suitable yet effective parameter configuration in training machine learning model to provides better prediction accuracy. This research proposes a Bayesian-based Optimization (BO) method to tune up the hyper-parameters of Decision Tree (DT) and Extreme Gradient Boosting (XGB) models. These two optimized models were trained and tested using maternal risk dataset obtained from the clinical-based measurement on pregnant woman. From the evaluation result, it can be found that the number of iterations has high influence on the BO performance. The implementation of BO toward DT model has slight increase in performance result compared to the previous research. Meanwhile, the highest performance result achieved by the combination of BO and XGB (BOXGB) model where the proposed model reaches 87% of accuracy, followed by average value of precision, recall, and F1-score of 88%, 87%, and 88%, respectively. Overall, the implementation of BO is able to direct the hyper-parameter configuration which improves the machine learning performance especially in predicting maternal risk level based on clinical-based measurement data.

Page 115 of 129 | Total Record : 1288

 113   114   115   116   117 

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