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
 120   121   122   123   124 
KEKUATAN DAMPAK DIRECT INSTRUCTION BERBANTUAN TEKNOLOGI INFORMASI TERHADAP HASIL BELAJAR PENGETAHUAN PROSEDURAL DAN KEMANDIRIAN BELAJAR PADA SUBJEK PEMROGRAMAN KOMPUTER Herlambang, Admaja Dwi
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.2025129552

Abstract

Penelitian ini menganalisis kekuatan dampak implementasi pembelajaran Direct Instruction (DI) berbantuan teknologi informasi terhadap hasil belajar dan kemandirian belajar pengetahuan prosedural pada subjek pemrograman komputer. Tujuan tersebut dipicu oleh keterbatasn teori saat ini yang mampu menunjukkan seberapa besar dampak DI berbantuan teknologi informasi pada konteks bidang studi teknologi informasi. Teknologi informasi yang digunakan mencakup Learning Management System (LMS) dan konten pembelajaran digital interaktif. Subjek penelitian adalah siswa Sekolah Menengah Kejuruan (SMK), yang dibagi menjadi kelompok eksperimen dan kontrol, masing-masing terdiri dari 80 siswa. Kelompok eksperimen menerapkan metode pembelajaran DI dengan dukungan teknologi informasi, sedangkan kelompok kontrol menggunakan metode pembelajaran DI tanpa dukungan teknologi. Data hasil belajar diperoleh melalui tes kinerja, sementara data kemandirian belajar dikumpulkan menggunakan kuesioner. Desain penelitian eksperimen adalah Static-Group Pretest-Posttest tanpa mekanisme random selection dan random assignment. Desain tersebut dipilih karena posisi subjek penelitian tidak memungkinkan diatur ulang secara sepihak oleh peneliti. Hasil penelitian menunjukkan bahwa pembelajaran DI berbantuan teknologi informasi memiliki kekuatan dampak yang signifikan terhadap hasil belajar dan kemandirian belajar siswa. Namun demikian, implementasi DI berbantuan teknologi informasi memiliki kekuatan dampak yang lebih besar terhadap kemandirian belajar (t(158) = 26,152, p < 0,001, d = 4,09) dibandingkan dengan hasil belajar (t(158) = 21,152, p < 0,001, d = 3,29).
MENGGALI OPINI PUBLIK: SENTIMEN TERHADAP KEBIJAKAN MAKAN SIANG GRATIS DENGAN SUPERVISED LEARNING Brata, Dwija Wisnu; Purnomo, Welly; Farisi, Hariz; Kevin Marcelino Ratu, Henry
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.2025129565

Abstract

Di era informasi saat ini, opini publik menjadi aset penting dalam membentuk kebijakan sosial dan politik. Salah satu kebijakan yang sering menarik perhatian adalah program makan siang gratis yang ditujukan untuk meningkatkan kesejahteraan sosial. Kebijakan yang direncanakan bertujuan untuk memberikan manfaat bagi anak-anak di Indonesia agar dapat meningkatkan asupan gizi dan nutrisi, tetapi sering kali menimbulkan berbagai reaksi dari masyarakat, terutama di media sosial. Penelitian ini dilakukan untuk menggali sentimen berdasarkan opini tentang rencana kebijakan makan siang gratis oleh pemerintah Indonesia pada media sosial twitter. Total dataset yang dikumpulkan sebanyak 1359 yang telah di-preprocessing, terbagi atas 1000 sentimen negatif, dan 359 sentimen positif. Metode klasifikasi yang digunakan dan menjadi pembanding yaitu Support Vector Machine (SVM), Naïve Bayes (NB), dan Random Forest (RF). Hasil penelitian menunjukkan bahwa metode SVM memiliki tingkat akurasi yang lebih tinggi (85%) dibanding dua metode lainnya
Analisis Sentimen Aplikasi Playstore Sirekap 2024 Pasca Pilpres Dengan Perbandingan Metode Support Vector Machine (SVM), Naïve Bayes Classifier Dan Random Forest. TARIGAN, Dede Ardian; Situmorang, Zakarias; Rosnelly, Rika
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.2025129608

Abstract

Aplikasi Sirekap merupakan sebuah aplikasi berbasis website yang mengandalkan teknologi Optical Character Recognition (OCR) dan Optical Mark Reader (OMR) dalam pengoperasiannya. Perkembangan teknologi ini digunakan untuk mempermudah proses perhitungan suara dengan QuickCount yang sifatnya sementara oleh KPU pada Pemilihan Presiden dan Wakil-Presiden Indonesia Periode 2024. Kedua teknologi tersebut memiliki peran penting dalam mengotomatisasi pola proses baca dan hitung secara real-time. Dengan demikian, analisis sentimen diperlukan untuk mengekstraksi komentar teks dari opini publik tentang aplikasi Sirekap 2024 di Play Store. Penelitian ini berkaitan dengan analisis sentimen terkait hasil perhitungan suara yang menimbulkan ketidaksesuaian di aplikasi Sirekap 2024, apakah bersifat positif atau negatif. Tahapan teknik yang digunakan dalam penelitian ini meliputi scraping data, pre-processing data, pelabelan pola, ekstraksi fitur/pembobotan, pembagian data, dan proses klasifikasi analisis sentimen. Pengumpulan data primer dilakukan menggunakan program Python di aplikasi Google Colab dengan teknik google play scraper di aplikasi playstore android Sirekap 2024. Metode klasifikasi yang digunakan adalah Support Vector Machine, Naïve Bayes, dan Random Forest untuk mengklasifikasikan data. Hasil klasifikasi SVM adalah 82%, Naïve Bayes adalah 71%, dan Random Forest adalah 81%. Dari ketiga metode klasifikasi, kinerja terbaik dalam mengidentifikasi adalah metode klasifikasi SVM dengan akurasi 82%, presisi 82%, recall 82%, dan F1-Score 82%.   Abstract The Sirekap application is a web-based application that relies on Optical Character Recognition (OCR) and Optical Mark Reader (OMR) technology in its operation. The development of this technology is used to facilitate the vote counting process with a temporary QuickCount by the KPU in the 2024 Indonesian Presidential and VicePresidential Elections. Both technologies play an important role in automating the reading and counting process patterns in real-time. Thus, sentiment analysis is necessary to extract text comments from public opinion about the Sirekap 2024 application on the Play Store. This research is related to sentiment analysis concerning the vote count results that cause discrepancies in the Sirekap 2024 application, whether they are positive or negative. The technical stages used in this research include data scraping, data pre-processing, pattern labeling, feature extraction/weighting, data splitting, and the sentiment analysis classification process. Primary data collection was conducted using a Python program in the Google Colab application with the Google Play scraper technique in the Sirekap 2024 Android Play Store application. The classification methods used are Support Vector Machine, Naïve Bayes, and Random Forest to classify the data. The SVM classification result is 82%, Naïve Bayes is 71%, and Random Forest is 81%. Among the three classification methods, the best performance in identification is the SVM classification method with an accuracy of 82%, precision of 82%, recall of 82%, and F1-Score of 82%.
Implementasi Mask R-Cnn Pada Perhitungan Persentase Tutupan Karang Untuk Memantau Ekosistem Terumbu Karang Maretna, Cut Nadilla; Husaini; Haridhi, Haekal Azief; Alkhalis, Naufal; Nur Fadli; Haditiar, Yudi; Nanda, Muhammad; Ulfah, Maria; Kris Handoko; Intan Malayana; Arsa Cindy Safitri
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 4: Agustus 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.124

Abstract

Terumbu karang memiliki peranan penting bagi kehidupan di laut. Namun, ekosistem terumbu karang sangat rentan mengalami kerusakan karena sejumlah faktor seperti aktivitas manusia, perubahan iklim, lambatnya laju pertumbuhan dan sebagainya. Upaya pelestarian terumbu karang telah dilakukan, namun pemantauan masih minim. Oleh karena itu, pemantauan ekosistem terumbu karang perlu ditingkatkan untuk mengetahui kondisi terumbu karang sebenarnya. Persentase tutupan karang adalah indikator yang perlu diketahui sebagai penentuan tingkat kehidupan terumbu karang. Proses pemantauan terumbu karang saat ini masih dilakukan secara konvensional, sehingga proses pemantauan tidak efisien dan perolehan informasi mengenai persentase tutupan karang membutuhkan waktu yang panjang. Penelitian ini mengimplementasikan algoritma Mask Region Convolutional Neural Network (Mask R-CNN) pada library Detectron2 untuk melakukan deteksi dan segmentasi objek tutupan karang pada ekosistem terumbu karang dengan menggunakan citra terumbu karang sebagai input. Model yang digunakan untuk segmentasi instance pada citra terumbu karang ini dilatih dengan menggunakan backbone Residual Network (ResNet) dan Residual Networks Next (ResNeXt) yang terdapat pada library Detectron2. Model backbone dievaluasi berdasarkan matriks presisi dan recall. Hasil penelitian menunjukkan ResNeXt101-FPN merupakan backbone terbaik dalam menghasilkan segmentasi. Hasil proses segmentasi tersebut kemudian digunakan untuk menghitung persentase tutupan karang. Berdasarkan hasil perhitungan, persentase tutupan karang dengan data yang diuji adalah sebesar 86,06%. Dengan demikian, proses perhitungan persentase tutupan karang untuk memantau ekosistem terumbu karang dapat dilakukan dengan efisien dan informasi mengenai persentase tutupan karang dapat diperoleh dalam waktu yang singkat.   Abstract Coral reefs have an important role for life in the sea. However, coral reef ecosystems are very vulnerable to damage due to a number of factors such as human activities, climate change, slow growth rates and so on. Efforts to preserve coral reefs have been made, but monitoring remains minimal. Therefore, coral reef ecosystem monitoring needs to be enhanced to assess their actual condition. The percentage of coral cover is an indicator that needs to be known as a determination of the life rate of coral reefs. The current coral reef monitoring process is still carried out conventionally, so the monitoring process is inefficient and obtaining information about the percentage of coral cover takes a long time. This study implements the Mask Region Convolutional Neural Network (Mask R-CNN) algorithm in the Detectron2 library to detect and segment coral cover objects in coral reef ecosystems using coral reef images as input. The model used for instance segmentation on coral reef images was trained using the Residual Network (ResNet) and Residual Networks Next (ResNeXt) backbones, which are available in the Detectron2 library. The backbone model is evaluated based on precision and recall matrices. The results show that ResNeXt101-FPN is the best backbone in producing segmentation. The results of the segmentation process are then used to calculate the percentage of coral cover. Based on the calculation results, the percentage of coral cover with the tested data was 86.06%. Thus, the process of calculating the coral cover percentage to monitor coral reef ecosystems can be carried out efficiently and information about the coral cover percentage can be obtained in a short time.
Implementasi Adaptive Neuro-Fuzzy Inference System PadaSistem Deteksi Kelelahan Mental Berbasis Sinyal Electroencephalogram Surya Darma Santoso, Teguh; Widasari, Edita Rosana
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 4: Agustus 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.124

Abstract

Kelelahan mental merupakan fenomena umum pada pelajar dan pekerja yang ditandai dengan penurunan energi, motivasi, kemampuan kognitif dan lainnya. Jika tidak segera ditangani, maka dapat menyebabkan berbagai gangguan kesehatan fisik maupun mental dan meningkatkan resiko kecelakaan. Psikolog mengidentifikasi kelelahan mental melalui pengukuran secara subjektif dengan kuesioner atau pengukuran secara kognitif dengan tes kognitif. Namun, proses tersebut memerlukan waktu yang lama dan hasil pengukuran cenderung bersifat subjektif, rentan terhadap kesalahan dan kurang valid untuk pasien yang terbiasa dengan aktivitas kognitif. Oleh karena itu, penelitian ini mengusulkan implementasi metode Adaptive Neuro-Fuzzy Inference System pada sistem deteksi kelelahan mental berbasis sinyal electroencephalogram satu kanal untuk meningkatkan keakuratan diagnosis, efisiensi waktu dan kenyamanan pengguna. Sistem menggunakan metode normalisasi min-max, segmentasi, dekomposisi Discrete Wavelet Transform, dan ekstraksi fitur Power Percentage, Standard Deviation, Mean Absolute Value dari sinyal theta. Sistem dikemas dalam aplikasi Graphical User Interface berbasis MATLAB sehingga dapat menampilkan keluaran berupa grafik sinyal theta, nilai-nilai ekstraksi fitur, dan hasil diagnosis pada laptop pengguna. Sistem ini menghasilkan akurasi klasifikasi sebesar 90% dan rata-rata waktu komputasi mencapai 0,45 detik. Sistem ini dapat diandalkan dan digunakan sebagai alat validator tambahan untuk psikolog dalam mendiagnosis kelelahan mental.   Abstract Mental fatigue is a common phenomenon in students and workers characterized by decreased energy, motivation, cognitive ability and more. If left untreated, it can lead to various physical and mental health problems and increase the risk of accidents. Psychologists identify mental fatigue through subjective measurements with questionnaires or cognitive measurements with cognitive tests. However, the process takes a long time and the measurement results tend to be subjective, prone to errors and less valid for patients who are accustomed to cognitive activities. Therefore, this study proposes the implementation of the Adaptive Neuro-Fuzzy Inference System method on a single-channel electroencephalogram signal-based mental fatigue detection system to improve diagnosis accuracy, time efficiency and user convenience. The system uses min-max normalization, segmentation, Discrete Wavelet Transform decomposition, and Power Percentage, Standard Deviation, Mean Absolute Value feature extraction methods from theta signals. The system is packaged in a MATLAB-based Graphical User Interface application so that it can display output in the form of theta signal graphs, feature extraction values, and diagnosis results on the user's laptop. The system produced a classification accuracy of 90% and an average computation time reached 0.45 seconds. The system is reliable and can be used as an additional validator tool for psychologists in diagnosing mental fatigue.
Implementasi Artificial Intelligence DanInternet Of Things Untuk Mendeteksi Penggunaan Helm Proyek Syabilla Rosyada, Bilqis; Fitriyani, Yunita; Agung Setyawan, Thomas; Wasito, Endro; Budi Waluyo, Catur; Ratna Kusumatuti, Dianita; Helmy, Helmy
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 4: Agustus 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.124

Abstract

BPJS Ketenagakerjaan mencatat bahwa jumlah kecelakaan kerja di Indonesia meningkat dari 221.740 kasus pada tahun 2020 menjadi 234.370 kasus pada tahun 2021, dan terus meningkat hingga mencapai 256.334 kasus pada November 2022. Berdasarkan data dari Kementerian Ketenagakerjaan Indonesia, pada tahun 2020, 57,5% dari total 126,51 juta pekerja di Indonesia memiliki tingkat pendidikan rendah, yang berkontribusi pada rendahnya kesadaran akan pentingnya budaya Keselamatan dan Kesehatan Kerja (K3) serta penggunaan Alat Pelindung Diri (APD) yang sesuai standar. Pemantauan penggunaan APD, termasuk helm proyek di area konstruksi, masih dilakukan secara manual, yang dirasa kurang efisien. Penelitian ini bertujuan untuk mengembangkan alat berbasis Artificial Intelligence (AI) dan Internet of Things (IoT) yang dapat memantau penggunaan helm proyek secara real-time dengan akurasi tinggi dan dapat dipantau melalui dashboard. Alat ini terbukti lebih efektif dalam meminimalisir kecelakaan kerja, dengan rata-rata akurasi deteksi sebesar 84,65% untuk pekerja yang memakai helm dan 71,5% untuk yang tidak memakai helm. Penelitian ini menggunakan metode Agile yang melibatkan observasi, identifikasi kebutuhan, perancangan, pembuatan sistem, implementasi, dan pengujian. Hasil penelitian ini menunjukkan bahwa sistem yang dikembangkan mampu memberikan kemudahan bagi petugas K3 dalam melakukan pengawasan, sehingga dapat mengurangi risiko kecelakaan kerja.   Abstract The Workers Social Security Agency (BPJS Ketenagakerjaan) recorded that the number of work accidents in Indonesia increased from 221,740 cases in 2020 to 234,370 cases in 2021, and continued to rise, reaching 256,334 cases by November 2022. According to data from the Indonesian Ministry of Manpower, in 2020, 57.5% of the total 126.51 million workers in Indonesia had a low level of education, which contributed to a lack of awareness of the importance of Occupational Safety and Health (OSH) culture and the use of Personal Protective Equipment (PPE) that meets standards. The monitoring of PPE usage, including project helmets in construction areas, is still conducted manually, which is considered inefficient. This study aims to develop a tool based on Artificial Intelligence (AI) and the Internet of Things (IoT) that can monitor the use of project helmets in real-time with high accuracy and can be monitored through a dashboard. This tool has proven to be more effective in minimizing work accidents, with an average detection accuracy of 84.65% for workers wearing helmets and 71.5% for those not wearing helmets. The study utilized the Agile method, involving observation, needs identification, system design, system development, implementation, and testing. The results of this study show that the developed system can provide ease for OSH officers in conducting supervision, thereby reducing the risk of work accidents.  
Klasifikasi Citra Produk Chiffon Cake Dengan Metode K-Nearest Neighbors Dan Grey Level Co-Occurrence Matrix Untuk Quality Control Novaldy, Olwin Kirab; Hermawan, Arief; Avianto, Donny
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 4: Agustus 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.124

Abstract

Chiffon cake adalah salah satu kue yang populer, dan kepuasan pelanggan sangat dipengaruhi oleh kualitas produk chiffon cake. Oleh karena itu, diperlukan sistem pengendalian kualitas yang efektif untuk mendeteksi chiffon cake yang cacat. Dalam penelitian ini, digunakan metode K-Nearest Neighbors (KNN) sebagai alat klasifikasi untuk mendeteksi produk chiffon cake yang cacat. Tujuan utama penelitian ini adalah membuat model sistem pengendalian kualitas yang dapat mengklasifikasikan chiffon cake secara otomatis ke dalam dua kategori: "lolos" dan "cacat." Sistem ini diharapkan dapat meningkatkan efisiensi proses produksi dan mengurangi kemungkinan produk cacat sampai ke tangan konsumen. Studi ini menggunakan KNN dan Gray Level Co-Occurrence Matrix (GLCM). Metode klasifikasi KNN bergantung pada pemilihan tetangga terdekat data untuk menentukan kategori kelasnya, sedangkan GLCM adalah teknik ekstraksi fitur yang digunakan untuk mengukur tekstur gambar dengan menganalisis hubungan antara dua piksel dalam orde kedua. Untuk melatih model KNN, studi ini menggunakan dataset yang diambil sendiri melalui pemotretan produk chiffon, kemudian diberi label "lolos" dan "cacat." Setelah melatih model, penulis melakukan pengujian dengan data uji untuk mengevaluasi kinerjanya. Hasil penelitian menunjukkan bahwa penerapan KNN memungkinkan pengklasifikasian chiffon cake dengan akurasi 90,4%. Validasi lebih lanjut dengan dataset yang lebih besar dan beragam diperlukan untuk memastikan bahwa model tetap robust dan dapat diandalkan dalam berbagai kondisi produksi.   Abstract Chiffon cake is one of the popular types of cake, and customer satisfaction is greatly influenced by the quality of the chiffon cake. Therefore, an effective quality control system is necessary to detect defective chiffon cakes. In this research, the K-Nearest Neighbors (KNN) method is used as a classification tool to detect defective chiffon cakes. The main objective of this study is to create a quality control system model that can automatically classify chiffon cakes into two categories: "Pass" and "Not Pass." This model is expected to increase production efficiency and reduce the risk of defective products reaching consumers. This study uses KNN and the Gray Level Co-Occurrence Matrix (GLCM). The KNN classification method determines the class category by selecting the data's nearest neighbors, while GLCM is a feature extraction method that measures image texture by analyzing the correlation between two pixels in the second order. To train the KNN model, this study used a dataset of manually photographed products, labeled as "lolos" and "cacat" After training the model, this study evaluates its performance using test data. The research results showed that the KNN application can classify chiffon cakes with an accuracy of 90.4%. Further validation with larger and more diverse datasets is recommended to enhance the model's robustness and applicability.
KLASIFIKASI BUAH KELAPA BERDASARKAN WARNA KULIT UNTUK MENGIDENTIFIKASI KETEBALAN DAGING PADA BERBAGAI TINGKAT KEMATANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN (JST) Ahmad Khan, Sardar Faroq; Dina Salam, Fitria Nur; Aulia, Magfirah; Kaswar, Andi Baso; Jariah S.Intam, Rezki Nurul; Wahid, Abdul
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 4: Agustus 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.124

Abstract

Kelapa (Cocos nucifera L.) adalah bagian dari suku aren-arenan atau Arecaceae dari marga cocos. Kelapa adalah tanaman yang sering ditemui dan kaya akan manfaat bagi umat manusia, mulai dari daun, batang pohon dan buah kelapanya. Pedagang tradisional dapat menggunakan suara yang dihasilkan dari ketukan tangan untuk mengetahui tingkat kematangan buah kelapa. Namun, dengan cara manual ini ada kemungkinan kesalahan dalam proses pengklasifikasianya. Maka dari itu, pada penelitian ini diusulkan judul Klasifikasi Buah Kelapa Berdasarkan Ketebalan Dagingnya Pada Berbagai Tingkat Kematangan Menggunakan Jaringan Saraf Tiruan (JST). Metode penelitian untuk pengklasifikasian terdiri atas 7 tahap yaitu tahap akuisisi citra, preprocessing, segmentasi, operasi morfologi, ekstraksi fitur, klasifikasi, dan evaluasi. Harapan dari metode yang digunakan untuk memberikan solusi khusunya kepada para petani dan pedagang dalam mengklasifikasi atau menyortir buah kelapa untuk mengetahui kualitas dagingnya dengan bantuan teknologi pengolahan citra digital. Dengan menggunakan 300 dataset citra yang dibagi menjadi 240 citra latih dan 60 citra uji, yang menghasilkan tingkat akurasi 97,91% pada citra latih dan 96,66% pada citra uji. Dengan waktu komputasi 0,31 detik per citra pada citra latih dan 0,21 detik per citra pada citra uji. Sehingga hasil dari pembahasan pada penelitian ini, pengklasifikasian buah kelapa menggunakan metode Jaringan Saraf Tiruan (JST) dengan memanfaatkan fitur warna dapat berjalan dan menghasilkan hasil yang dapat digolongkan baik.Abstract Coconut (Cocos nucifera L.) is part of the Arecaceae tribe of the cocos genus. Coconut is a plant that is often encountered and is rich in benefits for mankind, starting from the leaves, tree trunk and coconut fruit. Traditional traders can use the sound produced by hand tapping to determine the ripeness of the coconut fruit. However, with this manual method there is a possibility of error in the classification process. Therefore, this research proposes the title Classification of Coconut Fruit Based on the Thickness of the Flesh at Various Levels of Maturity Using Artificial Neural Networks (JST). The research method for classification consists of 7 stages, namely image acquisition, preprocessing, segmentation, morphological operations, feature extraction, classification, and evaluation. The hope of the method used to provide solutions especially to farmers and traders in classifying or sorting coconut fruit to determine the quality of the meat with the help of digital image processing technology. By using 300 image datasets divided into 240 training images and 60 test images, which resulted in an accuracy rate of 97.91% on the training image and 96.66% on the test image. With a computation time of 0.31 seconds per image on the training image and 0.21 seconds per image on the test image. So that the results of the discussion in this study, the classification of coconut fruit using the Artificial Neural Network (JST) method by utilizing color features can run and produce results that can be classified as good.
Pengembangan Model Multilayer Classifier Menggunakan Metode Ensemble Learning untuk Grading Brokoli Imaduddin, Zaki; Purwanto, Yohanes Aris; Hartono Wijaya, Sony; Nidya Neyman, Shelvie
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 4: Agustus 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.124

Abstract

Permintaan brokoli di Indonesia terus meningkat 15% sampai dengan 20% per tahun. Sayangnya supply masih terbatas dan kualitas masih kurang. Untuk menentukan kualitas brokoli diperlukan adanya proses grading yaitu proses pemeringkat brokoli menjadi grade A, B dan C berdasarkan tiga parameter utama yaitu warna, ukuran, dan bentuk. Sayangnya, tidak semua petani memahami mengenai proses grading tersebut. Hal ini menyebabkan kerugian pada petani dan pengusaha brokoli. Penelitian ini bertujuan untuk mengembangkan algoritma grading menggunakan Convolusional neural network (CNN) berdasarkan 2 buah citra yaitu citra kepala brokoli dari tampak atas dan tampak samping. Dataset pada penelitian ini sebesar 600 data. Teknik yang digunakan ialah modifikasi beberapa model deep learning yaitu ResNet50, EfficientNetB2, VGG16 pada bagian layer klasifikasinya, lalu dibandingkan dengan hasil akurasi dari masing-masing outputnya. Penelitian ini juga menggunakan metode ensemble learning dimana menggunakan kombinasi dari 3 fitur berbeda. Fitur warna, ukuran dan bentuk digabungkan pada proses training dan testing untuk melakukan klasifikasi grade brokoli. Pada fase testing digunakan teknik voting untuk pengambilan keputusan grading. Akurasi terbaik ada pada model ResNet50 dengan hasil klasifikasi brokoli sebesar 90% yang didapatkan melalui penggunaan 5 dense layer pada layer klasifikasi, sehingga mampu melebihi hasil akurasi dari beberapa model deep learning lainnya. Algoritma dari penelitian ini menawarkan solusi grading yang lebih objektif dan konsisten dibandingkan sistem manual, sehingga petani dan pengusaha brokoli dalam meningkatkan efisiensi, mengurangi kerugian, dan memastikan kualitas produk yang lebih baik bagi konsumen.   Abstract The demand for broccoli in Indonesia has been increasing by 15% to 20% annually. However, supply remains limited, and quality control is inadequate. To assess broccoli quality, a grading process is required, classifying broccoli into Grades A, B, and C based on three primary parameters: color, size, and shape. Unfortunately, not all farmers possess sufficient knowledge of this grading process, leading to financial losses for both farmers and broccoli businesses. This study aims to develop a grading algorithm using a Convolutional Neural Network (CNN) based on two images, namely a top-view and a side-view image of a broccoli head. The dataset comprises 600 samples. The methodology involves modifying the classification layers of several deep learning models, namely ResNet50, EfficientNetB2, and VGG16, and comparing their classification accuracy. Additionally, an ensemble learning approach is employed, integrating three distinct features—color, size, and shape—into the training and testing phases for broccoli grading. The voting technique is utilized in the testing phase to enhance decision-making in the grading process. Experimental results indicate that the ResNet50 model achieves the highest classification accuracy at 90%, attributed to the incorporation of five dense layers in the classification stage. This performance surpasses that of other deep learning models. The proposed algorithm provides a more objective and consistent grading system compared to manual methods, enabling farmers and broccoli enterprises to enhance efficiency, reduce financial losses, and ensure higher product quality for consumers.  
Implementasi Load Balancing pada Google Cloud Platform Untuk Membangun Online Learning Sjaiful Alim, Endy; Rizkiawan, M. Asep; Subagyo, Ahmad
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 4: Agustus 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.124

Abstract

Dalam era digital, institusi pendidikan menghadapi tantangan dalam menyediakan sistem pembelajaran daring yang andal, skalabel, dan responsif terhadap lonjakan pengguna. Salah satu permasalahan utama yang sering terjadi adalah bottleneck pada server web dan database, yang dapat menyebabkan penurunan performa saat jumlah pengguna meningkat secara signifikan. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut dengan mengimplementasikan load balancing pada Google Cloud Platform (GCP) guna membangun platform pembelajaran daring berbasis Moodle yang optimal. Metode yang digunakan dalam penelitian ini mencakup perancangan dan implementasi infrastruktur berbasis layanan GCP, termasuk Compute Engine untuk hosting server web, Cloud SQL sebagai database terkelola, Cloud Memorystore Redis untuk caching guna mengurangi beban query pada database, serta Cloud Filestore untuk penyimpanan data. HTTPS Load Balancer digunakan untuk mendistribusikan lalu lintas pengguna secara merata ke beberapa instance server, sementara autoscaler diaktifkan untuk menyesuaikan kapasitas sumber daya secara dinamis sesuai kebutuhan pengguna. Hasil pengujian menunjukkan bahwa bottleneck utama pada sistem e-learning terjadi pada beban tinggi di database dan server web, yang dapat diatasi dengan caching dan load balancing. Implementasi ini memungkinkan sistem menangani lonjakan lalu lintas hingga 5.000 pengguna simultan. dengan penggunaan moodle data base mencapai 80,28 %, penggunaan autoscaling mencapai level 1,916. Utilisasi mulai menurun dan menunjukkan stabilisasi mendekati nilai 1. Stabilitas ini mengindikasikan bahwa autoscaler berhasil menyesuaikan jumlah instance dengan kebutuhan beban kerja, menjaga performa optimal aplikasi. Dengan demikian, penggunaan load balancing pada GCP terbukti meningkatkan keandalan, skalabilitas, dan efisiensi platform pembelajaran daring, serta memberikan panduan praktis bagi institusi pendidikan dalam mengadopsi teknologi cloud untuk mendukung kegiatan belajar-mengajar secara daring.   Abstract In the digital era, educational institutions face the challenge of providing a reliable, scalable and responsive online learning system to the surge of users. One of the main problems that often occurs is bottleneck on the web server and database, which can cause performance degradation when the number of users increases significantly. This research aims to overcome this problem by implementing load balancing on Google Cloud Platform (GCP) to build an optimal Moodle-based online learning platform. The method used in this research includes the design and implementation of GCP service-based infrastructure, including Compute Engine for web server hosting, Cloud SQL as a managed database, Cloud Memorystore Redis for caching to reduce query load on the database, and Cloud Filestore for data storage. HTTPS Load Balancer is used to distribute user traffic evenly across multiple server instances, while autoscaler is enabled to dynamically adjust resource capacity according to user needs. The test results show that the main bottleneck in the e-learning system occurs at high loads on the database and web server, which can be addressed by caching and load balancing. This implementation allows the system to handle traffic spikes of up to 5,000 simultaneous users. with moodle data base utilization reaching 80.28%, autoscaling utilization reaching a level of 1.916. This stability indicates that the autoscaler successfully adjusts the number of instances to the needs of the workload, maintaining optimal application performance. Thus, the use of load balancing on GCP is proven to improve the reliability, scalability, and efficiency of the online learning platform, and provides practical guidance for educational institutions in adopting cloud technology to support online teaching and learning activities.

Page 122 of 129 | Total Record : 1288

 120   121   122   123   124 

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