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
 116   117   118   119   120 
Penerapan Feature Engineering dan Hyperparameter Tuning untuk Meningkatkan Akurasi Model Random Forest pada Klasifikasi Risiko Kredit Nur Fauzi, Nadea Putri; Khomsah, Siti; Putra Wicaksono, Aditya Dwi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 2: April 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128472

Abstract

  Risiko kredit adalah hal yang penting untuk dianalisis di awal pengajuan kredit guna mengurangi nilai Non-Performing Loan (NPL) atau risiko gagal bayar. Pola pengetahuan risiko kredit bisa diketahui dari data-data historikal sehingga data pengajuan kredit baru bisa ketahui risikonya lebih awal. Pada penelitian-penelitian terdahulu, model klasifikasi untuk risiko kredit menggunakan Random Forest banyak ditemukan namun tidak mendalam dalam penerapan preprocessing dan akurasinya masih rendah. Maka penelitian ini bertujuan meningkatkan akurasi model klasifikasi algoritma Random Forest dengan menerapkan tuning parameter dan feature engineering yang lebih dalam. Metodologi penelitian yang digunakan adalah Sample, Explore, Modify, Models, dan Assess (SEMMA). Penelitian ini menerapkan berbagai kombinasi parameter dan menerapkan feature engineering untuk memperbaiki kualitas data. Feature engineering yang digunakan meliputi oversampling dan standardisasi. Hyperparameter tuning model Random Forest menggunakan metode Random Search dan Grid Search untuk mencari parameter paling optimal. Dataset penelitian adalah data sekunder (Credit Risk) yang terdiri dari 32.581 baris, 11 variabel prediktor dan 1 variabel respon. Hasil penelitian menunjukkan penerapan feature engineering signifikan meningkatkan akurasi model Random Forest, meningkat dari 92,56% menjadi 97,94% setelah menerapkan oversampling dan standarisasi. Sedangkan hyperparameter tuning tidak begitu signifikan meningkatkan akurasi model yang dibangun menggunakan dataset yang sudah dikenakan preprocessing maupun feature engineering dengan baik.   Abstract Credit risk analysis is essential for minimizing the value of non-performing loans (NPL). Using historical data to understand credit risk patterns can help identify risks early in new credit applications. Previous research has often used Random Forest classification models for credit risk but found the need for more comprehensive preprocessing of applications and higher accuracy. This research aims to improve the accuracy of the Random Forest algorithm classification model by implementing parameter tuning and feature engineering. The SEMMA (Sample, Explore, Modify, Model, and Assess) methodology is used, which explores different parameters and feature engineering combinations to enhance data quality. Feature engineering techniques, such as oversampling and standardization, are applied. Hyperparameter tuning of the Random Forest model involves using Random Search and Grid Search methods to identify the optimal parameters. The research dataset, consisting of 32.581 lines, 11 predictor variables, and one response variable, is secondary data on Credit Risk. Results show that the application of feature engineering significantly improves the accuracy of the Random Forest model, increasing from 92,56% to 97,94% after applying oversampling and standardization. However, hyperparameter tuning does not significantly increase the accuracy of models built using well-preprocessed datasets or feature engineering.
Pengoptimalan Gerakan Lengan Prostetik Bionik Menggunakan Decision Based Velocity Ramp Gabriel Hizkia Marhata Simbolon; Widasari, Edita Rosana
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 3: Juni 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128535

Abstract

Di seluruh dunia, terdapat 57,7 juta individu yang kehilangan lengan mereka dan menghadapi hambatan dalam melakukan tugas sehari-hari. Saat ini, lengan prostetik bionik telah dikembangkan salah satunya yaitu "Sistem Pengenalan Pergerakan Prostetik Tangan Bionik Bawah Siku Menggunakan Metode K-Nearest Neighbor berbasis sinyal Electromyography" (Adani, M. S., Widasari, E.R., 2023). Namun, penelitian tersebut memiliki beberapa keterbatasan dalam kecepatan dan posisi sudut servo. Untuk mengatasi masalah ini, penelitian ini mengusulkan penggunaan Decision Based Velocity Ramp (DBVR) sebagai metode post-processing untuk memperbaiki kecepatan servo dalam mencapai posisi target dan meningkatkan presisi sudut posisi target servo. Hasil menunjukkan bahwa pembacaan sensor Myoware memiliki tingkat akurasi yang sangat tinggi hingga 100%, dengan nilai minimum 0.18V dan maksimum 2.84V untuk seluruh gerakan lengan prostetik bionik. Kemudian, kecepatan servo meningkat secara signifikan sebesar 74.16%. Servo dengan menggunakan DBVR berhasil mencapai posisi sudut target dengan tingkat keberhasilan rata-rata 92%, dimana lebih baik 16% dibandingkan dengan servo tanpa penerapan DBVR. Oleh karena itu, penggunaan DBVR telah terbukti efektif dalam meningkatkan kecepatan dan akurasi servo dalam mencapai posisi sudut target pada seluruh gerakan lengan prostetik bionik, meliputi gerakan buka, gerakan genggam, gerakan sip, gerakan ok-tengah, gerakan cool, gerakan spiderman, gerakan pistol dan gerakan tengah.   Abstract Globally, there are 57.7 million individuals who have lost their arms and face challenges in performing daily tasks. Currently, bionic prosthetic arms have been developed, one of which is the "Recognition System for Bionic Forearm Prosthetic Hand Movements Using K-Nearest Neighbor Method Based on Electromyography Signal" (Adani, M. S., Widasari, E.R., 2023). However, this research has some limitations in terms of speed and servo angle positions. To address this issue, this study proposes the use of Decision Based Velocity Ramp (DBVR) as a post-processing method to improve the servo speed in reaching target positions and enhance the precision of target servo angle positions. The results indicate that Myoware sensor readings have a very high accuracy level, up to 100%, with a minimum value of 0.18V and a maximum of 2.84V for all bionic prosthetic arm movements. Furthermore, the servo speed increased significantly by 74.16%. Servo, when using DBVR, successfully reached the target angle positions with an average success rate of 92%, which is 16% better compared to servo without the implementation of DBVR. Therefore, the use of DBVR has proven to be effective in improving the speed and accuracy of the servo in reaching target angle positions for all bionic prosthetic arm movements, including open movement, grip movement, sip movement, ok-middle movement, cool movement, spiderman movement, pistol movement, and middle movement.
Visualisasi Segmentasi Pelanggan Berdasarkan Atribut RFM Menggunakan Algoritma K-Means Untuk Memahami Karakteristik Pelanggan pada Toko Retail Online Imanuel, Dennis Alfa; Alfian, Ganjar
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 2: April 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128619

Abstract

Meningkatnya minat belanja pelanggan toko retail online menimbulkan persaingan ketat antar retailer. Agar tetap unggul dan kompetitif, retailer perlu memahami karakteristik pelanggannya. Penerapan segmentasi pelanggan memberikan kemudahan pada retailer untuk memahami karakteristik pelanggan berdasarkan penilaian pada atribut yang dihitung dari data riwayat transaksi pelanggan. Hasil segmentasi pelanggan yang divisualisasikan dapat meningkatkan pemahaman retailer dalam memahami data dan membantu dalam proses pengambilan keputusan. Oleh karena itu, penelitian ini mengusulkan Visualisasi Segmentasi Pelanggan menggunakan Algoritma K-means berdasarkan Atribut RFM (Recency, Frequency, Monetary). Hasil segmentasi dapat digunakan untuk Memahami Karakteristik Pelanggan pada Toko Retail Online. Penelitian ini menggunakan algoritma k-means untuk menjalankan clustering yang performanya akan dibandingkan dengan algoritma k-medoids mengacu pada nilai silhouette, Calinski-Harabasz Index, dan DaviesBouldin Index dalam melakukan segmentasi pelanggan berdasarkan atribut RFM. Berdasarkan metrik tersebut, didapatkan nilai algoritma k-means berturut-turut adalah 0,6558, 0,7219, dan 3578,9, sedangkan nilai algoritma k-medoids adalah 0,4677, 0,8298, dan 1236,9. Dengan demikian, hasilnya menunjukkan bahwa kinerja clustering menggunakan k-means lebih baik daripada menggunakan k-medoids. Pada dashboard Looker Studio ditampilkan visualisasi data hasil segmentasi tersebut, kemudian diuji fungsionalitasnya dengan metode Blackbox Testing dan berhasil menyelesaikan semua skenario pengujian, kemudian dilakukan pengujian dengan metode UAT (User Acceptance Testing) dan mendapatkan predikat sangat layak.   Abstract The growing interest in online retail shopping among customers has resulted in intense competition among retailers. To sustain a competitiveness, retailers need to understand characteristics of their customer. Implementation of customer segmentation facilitates retailers in understanding customer characteristics through assessments based on attributes derived from customer transaction history data. Visualization of customer segmentation results can enhance the retailer's understanding of data and assist in the decision-making process. Therefore, this study proposes the Visualization of Customer Segmentation using the K-means Algorithm based on RFM Attributes (Recency, Frequency, Monetary). The segmentation results can be utilized to understand the characteristics of customers in an online retail store. This study explores the k-means algorithm to execute clustering, and its performance will be compared with the k-medoids algorithm, based of silhouette values, Calinski-Harabasz Index, and Davies Bouldin Index in customer segmentation based on RFM attributes. Based on given metrics, the consecutive performance values for k-means algorithm are 0.6558, 0.7219, and 3578.9, while k-medoids algorithm are 0.4677, 0.8298, and 1236.9. Thus, the results indicate that the clustering performance using k-means is better than using k-medoids. On the Looker Studio dashboard, the visualization of the segmentation data is displayed, and its functionality is tested using the Black Box Testing method, successfully completing all test scenarios. Subsequently, the system undergoes testing through the User Acceptance Testing (UAT) method and receives a highly satisfactory rating.
Aplikasi Berbasis Progressive Web App (Mentoree) sebagai Layanan Pendampingan Pembelajaran Pemrograman di Universitas Brawijaya Wahyudi, Muhamad Fauzan; Fanani, Lutfi; Brata, Adam Hendra
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 2: April 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128733

Abstract

Seiring dengan proses modernisasi, teknologi menjadi salah satu bidang ilmu yang penting untuk dipelajari, Nadiem Makarim selaku Menteri Pendidikan, Kebudayaan, Riset dan Teknologi (Mendikbud Ristek), menanggapi modernisasi dengan menyusun kurikulum pendidikan yang terintegrasi teknologi. Adanya mata kuliah yang mempelajari penggunaan maupun pengembangan teknologi informasi hampir pada setiap jurusan di Universitas di Indonesia. Contohnya, Universitas Brawijaya yang menerapkan materi pemrograman pada kurikulum pembelajaran mereka. Hal ini memunculkan masalah baru, khususnya bagi mahasiswa yang memiliki keterbatasan dalam penguasaan mata kuliah yang berhubungan dengan pemrograman. Dilakukan wawancara dengan 10 mahasiswa dari 5 program studi berbeda, didapatkan data bahwa mereka memerlukan adanya bantuan tutor untuk membantu mereka dalam mengikuti mata kuliah yang berkaitan dengan bahasa pemrograman. Berdasarkan permasalahan tersebut, peneliti membuat gagasan mengenai sebuah sistem berbasis Progressive Web App yang dirancang untuk memfasilitasi pencarian mentor secara online dengan memiliki kelayakan teknis yang baik, sehingga dapat diimplementasikan secara efektif dan efisien. Implementasi teknologi Progressive Web App dinilai lebih efektif karena memberikan keleluasaan bagi pengguna untuk mengakses aplikasi baik melalui website maupun aplikasi mobile. Untuk membuktikan apakah aplikasi siap digunakan dan sesuai dengan kebutuhan pengguna yang didapatkan dari proses analisis kebutuhan, maka dilakukan empat jenis pengujian yaitu pengujian unit, pengujian validasi, pengujian kompatibilitas, dan pengujian performa. Dari keempat pengujian tersebut, didapatkan hasil bahwa aplikasi siap digunakan dengan hasil valid pada pengujian fungsional dan hasil cukup baik pada pengujian non fungsional. Sehingga sistem yang dibuat diharapkan dapat dikembangkan lebih baik di kemudian hari.   Abstract Along with modernization, technology has become a crucial field of study. Nadiem Makarim, the Minister of Education, Culture, Research, and Technology, responded by integrating technology into the national education curriculum. Most university departments in Indonesia now offer courses that incorporate information technology. For instance, Brawijaya University includes programming in its curriculum. However, this poses challenges for students who struggle with programming-related subjects. Interviews with 10 students from 5 different study programs revealed that many need tutors to help them succeed in these courses. To address this issue, researchers proposed a Progressive Web App (PWA) system that helps students find online mentors, emphasizing its technical feasibility for effective and efficient implementation. PWA technology offers flexibility, allowing users to access the system through both websites and mobile devices. To ensure the application meets user needs, as identified in the needs analysis, four types of testing were conducted: unit testing, validation testing, compatibility testing, and performance testing. These tests showed that the application is ready for use, with valid results in functional testing and positive outcomes in non-functional testing. The system is expected to be further developed in the future for even better performance.
Perbandingan Performa Arimax-Garch Dan Lstm Pada Data Harga Penutupan Saham PT Aneka Tambang Tbk (ANTM.JK) Suwarso, Dhiya Khalishah Tsany; Rizki, Akbar; Rahmi, Salsabila Dwi; Mahesa, Hakim Zoelva; Gunawan, Windi; Fitri, Zafira Ilma; Angraini, Yenni; Putri, Adelia; Nurhambali, Muhammad Rizky
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 3: Juni 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128756

Abstract

Banyaknya data deret waktu dengan pola nonlinear dan memiliki volatilitas tinggi pada berbagai sektor membuat sulit untuk melakukan pemodelan klasik seperti Autoregressive Integrated Moving Average (ARIMA). Permasalahan ini dapat diatasi salah satunya dengan mengembangkan metode Autoregressive Integrated Moving Average with Exogenous- Generalized Autoregressive Conditional Heteroskedasticity (ARIMAX-GARCH) yang memanfaatkan kovariat eksternal, sehingga memberikan solusi lebih baik pada data yang tidak stasioner. Di sisi lain, metode deep learning seperti Long Short-Term Memory (LSTM) unggul dalam menangkap pola non-linear dan dependensi jangka panjang. Oleh karena itu, penelitian ini membandingkan performa ARIMAX-GARCH dan LSTM dalam memprediksi harga saham PT Aneka Tambang Tbk (ANTM.JK). Data mingguan penutupan harga saham ANTM.JK periode 1 Januari 2018 hingga 30 Oktober 2023 digunakan dalam penelitian ini. Pemodelan ARIMAX-GARCH dengan peubah kovariat berupa data harga nikel berjangka dunia digunakan karena terdapat pengaruh signifikan harga nikel terhadap harga penutupan saham ANTM.JK dan terdeteksi adanya heteroskedastisitas dalam model. Metode berbasis machine learning, LSTM digunakan karena metode ini dikenal memiliki akurasi prediksi yang baik. Pengolahan data dilakukan menggunakan bantuan software R-Studio dan Python. Hasil penelitian menunjukkan LSTM memiliki performa yang lebih baik dengan nilai MAPE sebesar 4,425%, nilai ini lebih kecil jika dibandingkan model terbaik ARIMAX(2,1,2)-GARCH(1,1) dengan MAPE 7,326%.   Abstract The large number of time series data with nonlinear patterns and high volatility in various sectors makes it difficult to perform classical modeling such as Autoregressive Integrated Moving Average (ARIMA). This problem can be overcome by developing the ARIMA with Exogenous- Generalized Autoregressive Conditional Heteroskedasticity (ARIMAX-GARCH) that utilizes external covariates, thus providing a better solution to non-stationary data. On the other hand, deep learning methods such as Long Short-Term Memory (LSTM) excel in capturing non-linear patterns and long-term dependencies. Therefore, this study compares the performance of ARIMAX-GARCH and LSTM in predicting the stock price of PT Aneka Tambang Tbk (ANTM.JK). Weekly closing data of ANTM.JK stock price from January 1, 2018 to October 30, 2023 are used in this study. ARIMAX-GARCH modeling with covariate variables in the form of world nickel futures price data is used because there is a significant effect of nickel prices on the closing price of ANTM.JK shares and heteroscedasticity is detected in the model. Machine learning-based method, LSTM is used because this method is known to have good prediction accuracy. Data processing is done using R-Studio and Python software. The results show that LSTM has better performance with a MAPE value of 4.425%, this value is smaller than the best model ARIMAX(2,1,2)-GARCH(1,1) with a MAPE of 7.326%.
KLASIFIKASI PROGRAM BANTUAN SOSIAL MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) (STUDI KASUS KECAMATAN MALANGBONG KABUPATEN GARUT) Fakhri Fikrillah, Hamzah Nurrifqi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 3: Juni 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128817

Abstract

Isu kemiskinan di Indonesia menjadi perhatian utama pemerintah baik di tingkat pusat maupun daerah. Pemerintah merespons permasalahan ini melalui beberapa program salah satunya Program Bantuan Sosial (BANSOS). Melalui inisiatif ini, pemerintah berusaha menurunkan tingkat kemiskinan. Namun sering kali penentuan atribut yang digunakan untuk menunjukkan bahwa masyarakat masuk dalam kategori miskin dan berhak mendapatkan BANSOS masih sering kali kurang tepat. Konsep data mining diharapkan dapat mempermudah penyelesaian masalah penentuan atribut BANSOS. Dengan menggunakan algoritma K-Nearest Neighbor dan metode Cross-Industry Standard Process for Data Mining (Crisp-DM), diharapkan dapat ditemukan solusi yang lebih akurat dan efisien dalam menentukan kriteria penduduk miskin untuk menerima BANSOS. Dari hasil penelitian yang telah dilakukan menggunakan aplikasi Rapidminer dengan jumlah data sebanyak 19.943 keluarga serta pembagian rasio 70% untuk data latih, 30% data uji dan nilai K=598 atau 3% dari total dataset, diperoleh tingkat akurasi model sebesar 86,70%. Pada model yang telah dibuat, dilakukan validasi terhadap model tersebut dengan menggunakan 600 data keluarga di luar dataset dengan kondisi geografis wilayah pegunungan, perkotaan dan pesisir. Hasil validasi ini menghasilkan akurasi sebesar 85,92%.   Abstract The issue of poverty in Indonesia is a major concern of the government at both the central and regional levels. The government responds to this problem through several programs, one of which is the Social Assistance Program (BANSOS). Through this initiative, the government is trying to reduce poverty levels. However, often the determination of the attributes used to indicate that people are in the poor category and are entitled to BANSOS is often inaccurate. The concept of data mining hopefully it will make things easier to solve the problem of determining BANSOS attributes. By using the K-Nearest Neighbor algorithm and the Cross-Industry Standard Process for Data Mining (Crisp-DM) method, it is hoped that a more accurate and efficient solution can be found in determining the criteria for poor people to receive BANSOS. From the results of research conducted using the Rapidminer application with a total of 19,943 families of data and a division ratio of 70% for training data, 30% for test data and a value of K=598 or 3% of the total dataset, a model accuracy rate of 86.70% was obtained. In the model that has been created, validation of the model was carried out using 600 family data outside the dataset with geographical conditions in mountainous, urban and coastal areas. The results of this validation produced an accuracy of 85.92%.
DETEKSI OBJEK PADA FRAMEWORK YOLOV5 DENGAN PENANGANAN KESILAUAN CAHAYA MENGGUNAKAN GABUNGAN ARSITEKTUR U-NET DAN INPAINT Afrialdy, Firman; Perdana, Rizal Setya; Dewi, Candra
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 3: Juni 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128866

Abstract

CCTV telah diterapkan untuk memantau berbagai aktivitas di lingkungan Universitas Brawijaya, termasuk lalu lintas kendaraan di gerbang kampus. Pengawasan pada malam hari dalam kondisi intensitas cahaya yang rendah  merupakan tantangan tersendiri dalam penggunaan CCTV. Hal ini dikarenakan kualitas gambar yang rendah sehingga menghambat kemampuan sistem untuk mendeteksi dan mengidentifikasi objek dengan tepat. Salah satu permasalahan yang timbul dalam kasus kurangnya pencahayaan adalah munculnya flare atau kesilauan yang disebabkan oleh lampu kendaraan yang mengarah langsung ke CCTV. Oleh karena itu, pada penelitian ini digunakan segmentasi U-Net dan restorasi inpaint untuk preproses data sebelum dilakukan deteksi objek menggunakan framework YOLOv5. Hasil pengujian deteksi objek diperoleh nilai precision 0.942, recall 0.873, dan F1-Score 0.88 pada model yang dipreproses menggunakan segmentasi U-Net dan restorasi inpaint. Nilai tersebut lebih tinggi sebesar 0.032 pada precision, 0.018 pada recall, dan 0.3 pada F1-Score jika dibandingkan dengan model yang tanpa preproses.­­   Abstract CCTV has been implemented to monitor various activities within Brawijaya University, including vehicle traffic at the campus gate. Surveillance at night in low light intensity conditions is a challenge in the use of CCTV. This is due to the low image quality that hampers the system's ability to detect and identify objects correctly. One of the problems that arise in the case of lack of lighting is the appearance of flares or glare caused by vehicle lights that point directly to the CCTV. Therefore, in this research, U-Net segmentation and inpaint restoration are used to preprocess data before object detection using the YOLOv5 framework. The results of object detection testing obtained precision values of 0.942, recall 0.873, and F1-Score 0.88 on models preprocessed using U-Net segmentation and inpaint restoration. These values are higher by 0.032 in precision, 0.018 in recall, and 0.3 in F1-Score when compared to the model without preprocessing.  
Grey Wolf Optimizer Termodifikasi Menggunakan Chaotic Uniform Initialization Untuk Estimasi Effort Cocomo Ardiansyah; Handayaningsih, Sri; Fathurrizki, Deva
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 3: Juni 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128901

Abstract

COCOMO merupakan metode estimasi effort perangkat lunak berbasis parametrik yang banyak digunakan dan fleksibel diimplementasikan pada organisasi skala kecil hingga besar. Akan tetapi, kedua parameter COCOMO, yaitu multiplikatif dan eksponensial kerap memberikan hasil yang kurang presisi serta tidak realistis untuk diterapkan pada lingkungan pengembangan perangkat lunak saat ini. Untuk mengatasi masalah tersebut, beberapa penelitian mengusulkan pendekatan berbasis pencarian untuk mendapatkan nilai parameter yang tepat dengan menggunakan algoritma optimasi metaheuristik. Grey Wolf Optimizer (GWO) merupakan salah satu algoritma optimasi yang bisa menghindari jebakan optimum lokal yang sering dialami oleh algoritma berbasis swarm intelligence. Namun, GWO kurang dalam hal diversity populasi yang membuat banyak kandidat solusi tidak mampu menjangkau ruang pencarian secara merata. Untuk mengatasi masalah tersebut, penelitian ini mengusulkan GWO termodifikasi berupa chaotic uniform initialization agar bisa meningkatkan diversity populasi. Metode yang diusulkan ini membangkitkan dua populasi awal yang masing-masing menggunakan teknik chaos dan acak. Setiap kandidat solusi pada kedua populasi tersebut diseleksi berdasarkan nilai fitness tertentu yang pada akhirnya akan membentuk satu populasi awal yang memiliki diversity yang lebih baik. Eksperimen pada penelitian ini menggunakan tiga himpunan data dari NASA. Untuk mendapatkan teknik chaos terbaik, dilakukan komparasi terhadap tujuh teknik chaos. Metode yang diusulkan kemudian dikomparasikan dengan algoritma GWO standar dan satu varian GWO terkini. Hasil penelitian menunjukkan bahwa metode yang diusulkan beserta teknik chaos circle terbukti mampu memperbaiki diversity populasi sehingga meningkatkan performa akurasi estimasi COCOMO. Metode yang diusulkan ini dimungkinkan untuk diintegrasikan pada alat bantu estimasi effort perangkat lunak yang biasa digunakan oleh para manajer proyek.   Abstract COCOMO is a parametric-based software effort estimation method that is widely used and flexible to implement in small to large scale organizations. However, the two COCOMO parameters, namely multiplicative and exponential, often provide results that lack precision and are not realistic to apply to the current software development environment. To overcome this problem, several studies have proposed search-based approach to obtain appropriate parameter values using metaheuristic optimization algorithms. Grey Wolf Optimizer (GWO) is an algorithm that can avoid the local minimum trap that is often experienced by other swarm intelligence algorithms. However, GWO lacks population diversity which makes candidate solutions unable to cover the search space evenly. This study proposes chaotic uniform initialization to increase population diversity. The proposed method generates two initial populations using chaotic and random techniques respectively. Each candidate solution in the two populations is selected based on a certain fitness value which will ultimately produce an initial population that has better diversity. The experiment in this study used three data sets from NASA. To get the best chaos technique, a comparison of seven chaos techniques was carried out. The proposed method is then compared with the standard GWO algorithm and a current GWO variant. The research results show that the proposed method and the chaos circle technique are proven to be able to improve population diversity thereby increasing the accuracy of COCOMO. The proposed method is possible to integrated into software effort estimation tools commonly used by project managers.
Analisis Penggunaan Media Pembelajaran Inovatif pada Pembelajaran Awal Pengenalan Angka Terhadap Anak Penderita Autisme Bere, Stevania; Tolle, Herman; Bachtiar, Fitra Abdurrachman
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 3: Juni 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128913

Abstract

Autisme merupakan kelainan pada system saraf yang dialami sejak lahir ataupun pada masa balita dengan ditandainya gejala seperti menutup diri, pendiam, tidak mau bergaul, tidak mau berkomunikasi atau berinteraksi dengan orang disekitarnya. Kondisi ini mengganggu perkembangan anak terutama pada kemampuan komunikasi, interaksi sosial dan sifat emosional dengan orang lain. Anak autisme pada umumnya mempunyai ciri-ciri sulit berkonsentrasi, cepat bosan jika dihadapakan pada hal-hal yang tidak sesuai dengan minatnya. Diasumsikan peran guru pembimbing mampu mengajarkan materi secara kreatif, baik dan menyenangkan. Pembelajaran awal anak autisme yang dilakukan kebanyakan masih menggunakan buku sebagai alat bantu pembelajaran dan tidak ada dalam bentuk digital. Dari hasil pengamatan salah satu sekolah autisme di Malang masih menggunakan pembelajaran tradisional menggunakan papan komunikasi kegiatan angka sebagai pembelajaran awal pengenalan angka. Penelitian ini menggunakan metode penelitian tindakan kelas (PTK) dengan pendekatan kualitatif. Media pembelajaran multimedia dan augmented reality digunakan untuk meningkatkan fokus dan keterlibatan siswa autisme.  Data diperoleh dari hasil observasi, serta deskriptif kualitatif, yang didukung oleh skala likert untuk mengukur motivasi belajar. Hasil yang didapatkan dari pengujian media pembelajaran multimedia dan Augmented Reality terbukti meningkatkan keterlibatan dan fokus siswa. Adanya karakter avatar pada AR juga menarik fokus pada anak autisme. Siswa lebih antusias saat menggunakan aplikasi multimedia dan AR yang memberikan pengalaman belajar interaktif. Dampak penelitian ini memberikan kontribusi penting terhadap pengembangan metode Pendidikan berbasis teknologi, serta menyediakan wawasan bagi pengembang aplikasi atau institusi pendidikan tentang potensi teknologi dalam mendukung pendidikan khusus. Penelitian ini juga berkontribusi pada pengembangan kebijakan yang lebih efektif dan inklusif bagi penderita autisme, sehingga dapat menciptakan lingkungan yang lebih mendukung siswa autisme untuk tumbuh dan berkembang.   Abstract Autism is a disorder of the nervous system experienced since birth or in infancy with symptoms marked by being withdrawn, quiet, not wanting to socialize, not wanting to communicate or interact with people around them. This condition interferes with the child's development, especially in communication skills, social interactions and emotional traits with others. Autistic children generally have the characteristics of difficulty concentrating, getting bored quickly when faced with things that are not in accordance with their interests. It is assumed that the role of the supervising teacher is able to teach material creatively, well and enjoyably. Early learning for autistic children that is carried out mostly still uses books as learning aids and is not in digital form. From the results of observations, one of the autism schools in Malang still uses traditional learning using a number activity communication board as initial learning for recognizing numbers. This study uses a classroom action research (CAR) method with a qualitative approach. Multimedia and augmented reality learning media are used to increase the focus and involvement of autistic students. Data were obtained from the results of observations, as well as qualitative descriptive, supported by a Likert scale to measure learning motivation. The results obtained from testing multimedia and Augmented Reality learning media have been shown to increase student involvement and focus. The presence of avatar characters in AR also attracts focus on autistic children. Students are more enthusiastic when using multimedia and AR applications that provide interactive learning experiences. The impact of this research provides an important contribution to the development of technology-based education methods, as well as providing insight for application developers or educational institutions about the potential of technology in supporting special education. This research also contributes to more effective and inclusive development policies for people with autism, so that it can create an environment that is more supportive of autistic students to grow and develop.
Kombinasi Teknik Pemodelan Prototipe pada Aplikasi Mobile untuk Monitoring Pengiriman Sampah Daur Ulang Noor Fauzi, Muh Hilmy; Lestari Lokapitasari Belluano, Poetri; Hasnawi, Mardiyyah
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 3: Juni 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128936

Abstract

Penelitian ini bertujuan mengembangkan teknik pemodelan desain aplikasi mobile untuk memantau pengiriman sampah daur ulang dengan menggabungkan dua metode yaitu Rapid Prototyping dan User-Centered Design (UCD). Aplikasi yang dikembangkan untuk meningkatkan efektivitas pengiriman sampah daur ulang serta memastikan keterlibatan pengguna dalam proses pengelolaan limbah. Pemodelan aplikasi mobile dengan pendekatan Rapid Prototyping dalam pembuatan prototipe interaktif secara cepat sementara User Centre Design diterapkan dalam hal pemahaman secara mendalam terhadap kebutuhan pengguna. Kombinasi Teknik pemodelan antara Rapid Prototyping dan User Centre Design menghasilkan prototipe aplikasi yang baik dalam memonitor pengiriman sampah daur ulang, memberikan kontribusi positif dalam mengatasi permasalahan monitoring pengiriman sampah dan dampak positif pada industri daur ulang dimana pengujian akhir prototipe Efficiency, Effectiveness, Satisfaction, dan Usability yang telah dikembangkan berhasil menunjukkan hasil yang sangat positif. Proses pengembangan prototipe aplikasi mobile melalui beberapa tahapan antara lain analisis awal, perancangan prototipe, verifikasi dan pengujian awal, iterasi dan perbaikan, serta evaluasi akhir desain. Hasil Penelitian ini menunjukkan bahwa tingkat Efficiency dan Effectiveness pada pengujian akhir prototipe aplikasi sangat tinggi, dengan rata-rata nilai 5.00 sedangkan dari sisi Satisfaction dan Usability memperoleh rata-rata nilai sebesar 4.75.

Page 118 of 129 | Total Record : 1288

 116   117   118   119   120 

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