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
 125   126   127   128   129 
Analisis Sentimen Terhadap Kebijakan SubsidiPembelian Kendaraan Bertenaga Listrik Di Indonesia Menggunakan Pendekatan Inset Lexicon dan Metode Support Vector Machine Pratiwi, Dian; Khoerani, Nurizka; Sari, Syandra
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025126

Abstract

Analisis sentimen berbasis leksikon merupakan metode yang umum digunakan untuk mengidentifikasi opini masyarakat terhadap isu-isu publik melalui media sosial. Penelitian ini membandingkan performa dua pendekatan leksikal, yaitu InSet lexicon dan Vader lexicon, dalam klasifikasi sentimen terhadap opini masyarakat mengenai kebijakan subsidi kendaraan listrik di Indonesia. Proses pelabelan sentimen dilakukan secara otomatis menggunakan masing-masing leksikon, kemudian diklasifikasikan menggunakan algoritma Support Vector Machine (SVM) dengan dua pendekatan representasi fitur, yaitu TF-IDF dan Word2Vec. Hasil klasifikasi menunjukkan bahwa InSet lexicon menghasilkan distribusi sentimen negatif yang dominan dengan akurasi klasifikasi sebesar 71%, sedangkan Vader lexicon lebih banyak mengidentifikasi sentimen positif dengan akurasi sebesar 64%. Evaluasi performa dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Selain itu, visualisasi wordcloud digunakan untuk mengidentifikasi kata-kata kunci yang paling sering muncul dalam opini masyarakat, seperti “pemerintah”, “BBM”, dan “subsidi”, yang secara leksikal bersifat netral namun dapat membentuk arah sentimen tergantung konteks kalimat. Penelitian ini menunjukkan bahwa pemilihan leksikon dan representasi fitur berpengaruh signifikan terhadap hasil klasifikasi, serta menegaskan pentingnya validasi pelabelan dan pengembangan leksikon berbasis domain dalam analisis sentimen kebijakan publik.   Abstract   Lexicon-based sentiment analysis is a commonly used method to identify public opinion on policy issues through social media. This study compares the performance of two lexical approaches, namely InSet lexicon and Vader lexicon, in classifying sentiment toward public responses to Indonesia’s electric vehicle subsidy policy. Sentiment labeling was performed automatically using each lexicon, followed by classification using the Support Vector Machine (SVM) algorithm with two feature representation techniques: TF-IDF and Word2Vec. The results show that InSet lexicon yielded a dominant distribution of negative sentiment with a classification accuracy of 71%, while Vader lexicon identified more positive sentiments with an accuracy of 64%. Performance evaluation was carried out using accuracy, precision, recall, and F1-score metrics. In addition, wordcloud visualization was used to identify the most frequently appearing keywords in public opinion, such as “pemerintah” (government), “BBM” (fuel), and “subsidi” (subsidy), which are lexically neutral but may carry sentiment depending on contextual use. This study highlights the significant impact of lexicon choice and feature representation on classification performance and emphasizes the importance of label validation and domain-specific lexicon development in sentiment analysis for public policy evaluation.
Analisis Optimasi Klasifikasi Citra Awan Berdasarkan Nilai Hyperparameter Pada Teachable Machine untuk Pengembangan Aplikasi Web Mobile Bendi, Muhammad Indra; Malahina, Edwin Ariesto Umbu
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025126

Abstract

Pengamatan cuaca menjadi aspek penting dalam berbagai bidang seperti meteorologi, penelitian lingkungan dan penerbangan. Identifikasi jenis awan memainkan peran kunci dalam memprediksi perubahan cuaca dan mengevaluasi dampak lingkungan. Tujuan dari penelitian ini adalah untuk mengembangkan sebuah aplikasi web mobile sistem cerdas yang mampu membantu masyarakat dalam mendeteksi jenis awan secara mandiri di sekitar, memberikan edukasi tentang jenis awan dan yang paling penting adalah mencari nilai optimasi hyperparameter epoch, batch size dan learning rate dalam Teachable Machine. Penelitian ini menggunakan nilai untuk parameter-parameter yang diteliti, yaitu nilai epoch yang bervariasi antara 10, 50, 100, 250, 750 dan 1000. Kemudian nilai batch size yang bervariasi antara 16, 32, 64, 128, 256 dan 512 serta learning rate yang bervariasi antara 0,00001; 0,0001; 0,001; 0,01; 0,1 dan 1. Total dataset sebanyak 4.000 sampel data latih (400 sampel dalam 10 kelas) digunakan dalam Teachable Machine. Metode yang digunakan adalah dengan memanfaatkan framework TensorFlow pada layanan Teachable Machine untuk melatih data citra atau gambar. Framework ini menyediakan algoritma Convolutional Neural Networks (CNN) yang dapat melakukan klasifikasi citra atau gambar dengan tingkat akurasi yang tinggi. Hasil pengujian menunjukkan bahwa nilai optimal tertinggi tercapai pada nilai epoch ke-50, dengan nilai batch size 16 dan learning rate 0,00001 yang menghasilkan tingkat akurasi antara 70% hingga 98%. Aplikasi web mobile ini diharapkan dapat diimplementasikan secara luas untuk kepentingan masyarakat agar mengenali jenis awan yang menyebabkan potensi hujan.   Abstract Weather observation is becoming an increasingly important aspect in various fields, such as Meteorology, Environmental Research, and aviation. The identification of cloud types plays a key role in predicting weather changes and evaluating environmental impacts. The purpose of this study is to develop a mobile web application intelligent system that is able to help people detect the type of cloud independently around, provide education about the type of cloud, and most importantly, find the value of optimization hyperparameter epoch, batch size and learning rate in Teachable Machine. This study uses the values for the parameters studied, namely the epoch values that vary between 10, 50, 100, 250, 750, and 1000. Then the value of batch size varies between 16, 32, 64, 128, 256, and 512, and the learning rate varies between 0.00001; 0.0001; 0.001; 0.01; 0.1, and 1. A total of 4,000 training data samples (400 samples per class) were used in the Teachable Machine. The method used is to utilize the TensorFlow framework in the Teachable Machine Service to train image or image data. This Framework provides Convolutional Neural Networks (CNN) algorithms that can classify images with a high degree of accuracy. The test results showed that the highest optimal value was reached at the 50th epoch value, with a batch size value of 16 and a learning rate of 0.00001 which resulted in an accuracy rate of 70% to 98%. This application is expected to be widely implemented for the benefit of the community in order to recognize the type of cloud that causes the potential for rain.
Analisis Kelelahan Otot pada Pengemudi Menggunakan Root Mean Square Slope Berbasis Sinyal Electromyogram Rava Athalla, Muhammad; Widasari, Edita Rosana
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025126

Abstract

Kelelahan otot pada pengemudi, terutama pada otot biceps brachii yang berperan penting dalam pengendalian setir kendaraan yang berpotensi menurunkan kestabilan dan konsentrasi gerak mikro saat berkendara jarak jauh atau dalam kondisi lalu lintas yang memaksa posisi statis. Sebagian besar sistem deteksi kelelahan berfokus pada citra wajah, mata, atau pola berkendara, sedangkan kajian terhadap kelelahan otot lokal masih jarang dilakukan. Penelitian ini memosisikan deteksi kelelahan otot sebagai lapisan komplementer, bukan pengganti untuk mendukung sistem deteksi kantuk dan kelelahan mental yang telah lebih banyak dikembangkan. Penelitian ini mengusulkan pendekatan berbasis sinyal electromyogram (EMG) dengan parameter Root Mean Square (RMS) Slope untuk mendeteksi kelelahan otot biceps brachii. Data EMG diperoleh dari lima subjek pria berusia 21–22 tahun menggunakan sensor Shimmer EMG selama simulasi mengemudi mobil penumpang dengan simulator PXN V900. Sinyal EMG direkam pada frekuensi sampling 1000 Hz, kemudian diproses melalui tahapan pra-pemrosesan dan penyaringan untuk meminimalkan noise. Hasil penelitian menunjukkan bahwa sinyal EMG yang terekam konsisten berada dalam rentang milivolt sesuai dengan spesifikasi sensor. Sistem deteksi kelelahan otot mencapai akurasi 75% melalui ekstraksi fitur RMS dan klasifikasi berbasis RMS Slope. Selain itu, sistem memiliki rata-rata waktu komputasi 0,080 second per jendela 1 detik, yang cukup cepat untuk pemantauan real-time. Dengan kemampuan ini, sistem menunjukkan potensi penerapan sebagai komponen tambahan dalam meningkatkan keselamatan berkendara.   Abstract Muscle fatigue in drivers, particularly in the biceps brachii which plays a key role in steering control, may compromise driving stability and fine-motor concentration during long trips or under traffic conditions requiring a static posture. Most existing fatigue detection systems focus on facial cues, eye movements, or driving patterns, while localized muscle fatigue has rarely been explored. This study positions muscle fatigue detection as a complementary layer, rather than a replacement, to support mental and drowsiness detection systems that have been more widely developed. An approach using electromyogram (EMG) signals and the Root Mean Square (RMS) Slope parameter is proposed to detect biceps brachii fatigue. EMG data were collected from five male subjects aged 21–22 years using Shimmer EMG sensors during passenger car driving simulations with a PXN V900 steering simulator. The signals were recorded at a 1000 Hz sampling rate and processed with pre-processing and filtering stages to minimize noise. Results show that the recorded EMG signals consistently remained within the millivolt range, in accordance with sensor specifications. The system achieved 75% detection accuracy through RMS feature extraction and RMS Slope classification. In addition, the average computation time was 0.080 per 1-second window, fast enough for real-time monitoring. These findings highlight the potential of integrating localized muscle fatigue detection as a complementary component to enhance driving safety.
Klasifikasi Rasa Buah Jeruk Pontianak (Citrus Nobilis Var. Microcarpa) Menggunakan Metode K-Cluster Classification Tree (K-CT) Tjen, Jimmy
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025126

Abstract

Revolusi Industri 4.0 telah mendorong penggunaan teknologi di berbagai aspek kehidupan, seperti industri makanan, dengan konsep machine learning digunakan untuk mengidentifikasi kualitas dan rasa dari bahan makanan. Perkembangan teknologi ini mendorong pengembangan dari metode baru yang lebih efisien dalam waktu komputasi, namun memiliki kemampuan model prediktif yang akurat. Penelitian ini bertujuan untuk memperkenalkan sebuah metode ensemble baru yang mengkombinasikan metode classification tree (CT) dan metode k-means, yang disebut sebagai metode k-cluster classification tree atau k-CT. metode k-CT merupakan metode yang dirancang untuk mengefisiensikan waktu komputasi dari metode CT tanpa mengurangi kemampuan prediktif dari metode tersebut. Pada penelitian ini, metode k-CT divalidasi menggunakan data primer yang diambil dari pengamatan sifat fisik dari buah jeruk Pontianak. Dari 457 sampel data yang ada, 80% data digunakan untuk melatih model pohon, sedangkan 20% yang tersisa digunakan untuk memvalidasi kualitas prediksi dari model. Berdasarkan pada percobaan yang dilakukan, diperoleh 3 temuan. Pertama, metode k-CT dapat mengklasifikasikan rasa dari buah jeruk Pontianak dengan akurasi sebesar 92%. Hasil ini menunjukan bahwa metode k-CT memiliki performa model prediktif yang lebih baik jika dibandingkan dengan metode CT, random forest dan gradient boosting. Kedua, ditemukan bukti lemah secara statistik ( bahwa metode k-CT memiliki kompleksitas waktu yang lebih singkat daripada metode CT, sesuai dengan Lema yang dibuktikan. Ketiga, berdasarkan pada aturan jika – maka yang dibentuk oleh metode k-CT, diketahui bahwa warna jeruk bukanlah faktor dominan yang menentukan rasa dari buah jeruk, melainkan diameter buah jeruk yang merupakan faktor dominan untuk menentukan rasa buah jeruk.   Abstract   The Industrial Revolution 4.0 has driven the integration of technology into various aspects of life, including the food and beverage industry, where machine learning methods are employed to evaluate food quality and taste. Consequently, the development of efficient machine learning techniques that provide accurate predictions with reduced computational complexity has become increasingly important. This research introduces a novel classification tree (CT)-based algorithm, termed the k-cluster classification tree (k-CT). The k-CT enhances the CT method by offering faster computations while preserving its predictive accuracy. The proposed methodology was validated using a primary dataset comprising the physical properties of “jeruk Pontianak” (Citrus nobilis var. microcarpa) oranges. Of the 457 available samples, 80% were utilized for training the tree-based models, while the remaining 20% were reserved for validating predictive accuracy. The experiments yielded three key findings. First, the k-CT achieved an accuracy of 92% in classifying the taste of “jeruk Pontianak,” outperforming CT, random forest, and gradient boosting methods. Second, there is weak evidence (α < 0.1) suggesting that the k-CT performs faster than the CT method. Lastly, based on the if-then rules derived from the k-CT tree structure, it was observed that the skin color of “jeruk Pontianak” does not significantly influence its taste. Instead, the diameter of the fruit has a strong impact on its taste.
Pengembangan Media Pembelajaran Berbasis Augmented Reality Materi Sistem Tata Surya untuk Meningkatkan Hasil Belajar Siswa Fatchurohman; Anggriawan Nugroho, Dicky
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025125

Abstract

Penggunaan media augmented reality sangat cocok digunakan pada Pembelajaran IPA materi Sistem Tata Surya dan memberikan potensi untuk meningkatkan pemahaman siswa tentang konsep tata surya. Tujuan penelitian ini adalah mengembangkan media berbasis augmented reality guna meningkatkan hasil belajar siswa kelas VI MSI 08 Medono Pekalongan. Penelitian ini menggunakan tahapan penelitian dan pengembangan (R&D) ADDIE (Analisis, Desain, Pengembangan, Implementasi, Evaluasi). Subjek penelitian berjumlah 34 siswa. Pada kategori layak, hasil uji ahli media menunjukkan skor sebesar 75% dan 78%. Kategori sangat praktis pada angket mempunyai skor 88%. Dengan rata-rata skor N-Gain sebesar 0,56 pada kelompok sedang, hasil pretest dan posttest menunjukkan peningkatan yang cukup besar. Hasil ini menunjukkan pentingnya meningkatkan hasil belajar siswa secara efektif dan mengajarkan Ilmu Tata Surya dengan media berbasis AR. Temuan ini menunjukkan bahwa materi pembelajaran augmented reality terkait tata surya layak digunakan di kelas dan dapat meningkatkan hasil belajar siswa kelas VI MSI 08 Medono Pekalongan.   Abctract The use of augmented reality media is very suitable for use in science learning on Solar System material and provides the potential to increase students' understanding of the concept of the solar system. The aim of this research is to develop augmented reality-based media to improve the learning outcomes of class VI students at MSI 08 Medono Pekalongan. This research uses the ADDIE research and development (R&D) stages (Analysis, Design, Development, Implementation, Evaluation). The research subjects were 34 students. In the feasible category, the media expert test results showed scores of 75% and 78%.  The very practical category on the questionnaire had an 88% score.  With an average N-Gain score of 0.56 in the medium group, the pretest and posttest results demonstrated a considerable gain.  These results demonstrate the importance of effectively enhancing student learning outcomes and teaching Solar System Science with AR-based media.  These findings suggest that solar system-related augmented reality learning materials are appropriate for use in the classroom and can enhance the learning outcomes of MSI 08 Medono Pekalongan class VI pupils.
Analisis BERT-CNN untuk Klasifikasi Multi-Label Diskusi Keagamaan dan Asosiasi dengan Al-Qur’an dan Hadits Saputra, Candra Heru; Suhirman
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025126

Abstract

Penelitian ini menerapkan Natural Language Processing (NLP) dengan Bidirectional Encoder Representations from Transformers (BERT) yang dikombinasikan dengan Convolutional Neural Network (CNN) untuk klasifikasi multi-label diskusi keagamaan serta mengasosiasikannya dengan ayat Al-Qur’an dan Hadits. Dataset yang digunakan berasal dari diskusi keagamaan dan pertanyaan jamaah kepada ustaz yang diunggah di berbagai platform digital, seperti YouTube, Facebook, Instagram, dan situs web. Model NLP berbasis BERT digunakan untuk merepresentasikan teks secara kontekstual, sementara CNN digunakan untuk mengekstraksi fitur dan melakukan klasifikasi multi-label. Eksperimen dilakukan untuk mengeksplorasi kombinasi parameter dan pendekatan preprocessing teks guna meningkatkan akurasi klasifikasi. Hasil menunjukkan bahwa tuning hyperparameter meningkatkan F1-Score pada konfigurasi parameter ke-2 (E2) dari 0.7046 menjadi 0.7789 dan pada konfigurasi parameter ke-5 (E5) dari 0.7073 menjadi 0.7734, serta menurunkan Hamming Loss, yang mengindikasikan peningkatan akurasi prediksi label. Threshold 0.40 ditemukan sebagai nilai optimal untuk keseimbangan Precision dan Recall, yang berkontribusi terhadap peningkatan Subset Accuracy. Penelitian ini diharapkan dapat berkontribusi dalam pengembangan teknologi NLP berbasis bahasa Indonesia untuk klasifikasi multi-label teks keagamaan serta membuka peluang penerapan dalam aplikasi kecerdasan buatan guna meningkatkan akses informasi keagamaan secara cepat dan akurat.   Abstract This study applies Natural Language Processing (NLP) using Bidirectional Encoder Representations from Transformers (BERT) combined with Convolutional Neural Networks (CNN) for multi-label classification of religious discussions and their association with verses of the Qur’an and Hadith. The dataset was obtained from religious discussions and congregants’ questions addressed to ustaz, collected from various digital platforms such as YouTube, Facebook, Instagram, and websites. The BERT-based NLP model was employed to represent text contextually, while CNN was used to extract features and perform multi-label classification. Experiments were conducted to explore parameter combinations and text preprocessing approaches to improve classification accuracy. The results show that hyperparameter tuning increased the F1-Score in the second parameter configuration (E2) from 0.7046 to 0.7789 and in the fifth configuration (E5) from 0.7073 to 0.7734, while reducing the Hamming Loss, indicating an improvement in label prediction accuracy. A threshold of 0.40 was found to be the optimal value for balancing Precision and Recall, contributing to an increase in Subset Accuracy. This research is expected to contribute to the development of Indonesian-language NLP technology for multi-label classification of religious texts and to open opportunities for practical applications in artificial intelligence systems to enhance rapid and accurate access to religious information.
Pengembangan Model Hybrid Arima-Machine Learning untuk Prediksi Harga Saham BCA Dwi Kurniawan, Prabowo; Dwi Surjono, Herman; Jati, Handaru
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025126

Abstract

Penelitian ini bertujuan untuk menganalisis kinerja metode hybrid antara algoritma machine learning dan model ARIMA dalam memprediksi harga saham Bank BCA selama lima tahun terakhir. Data yang digunakan berasal dari saham Bank BCA periode 13 November 2019 hingga 12 November 2024, diperoleh melalui Yahoo Finance. Dataset ini terdiri dari 1210 record dengan tujuh variabel: Date, Open, Close, High, Low, Volume, dan Adj Close. Pengujian dilakukan memodelkan data linier menggunakan ARIMA, kemudian memprediksi residual menggunakan algoritma machine learning yaitu KNN, Naïve Bayes, Logistic Regression, SVM, Random Forest, dan Gradient Boost. Selanjutnya Prediksi Akhir didapatkan dari penjumlahan Prediksi ARIMA dengan Prediksi Residual oleh Machine Learning. Hasil evaluasi menunjukkan bahwa model hybrid ARIMA–SVM memberikan performa terbaik dengan nilai MSE sebesar 13.341,72, MAE sebesar 89,69, dan MAPE sebesar 0,9078%. Model ini juga memiliki nilai korelasi (R) tertinggi sebesar 0,9785. Sementara itu, model ARIMA–Gradient Boosting juga menunjukkan performa yang kompetitif dengan MSE sebesar 14.126,60 dan MAPE sebesar 0,9434%. Temuan ini menunjukkan bahwa pendekatan hybrid efektif dalam meningkatkan akurasi dan kestabilan prediksi saham, serta dapat dijadikan alternatif yang unggul dalam analisis pasar keuangan berbasis data historis.   Abstract This study aims to analyze the performance of a hybrid method combining machine learning algorithms and the ARIMA model in predicting the stock prices of Bank BCA over the past five years. The data used were obtained from Yahoo Finance, covering the period from November 13, 2019, to November 12, 2024. The dataset consists of 1,210 records and includes seven variables: Date, Open, Close, High, Low, Volume, and Adjusted Close. The testing procedure involved modeling the linear component of the data using ARIMA, followed by predicting the residuals with machine learning algorithms, namely K-Nearest Neighbors (KNN), Naïve Bayes, Logistic Regression, Support Vector Machine (SVM), Random Forest, and Gradient Boosting. The final prediction was obtained by summing the ARIMA forecast with the residual predictions from the machine learning models. Evaluation results show that the hybrid ARIMA–SVM model delivered the best performance with an MSE of 13,341.72, MAE of 89.69, and MAPE of 0.9078%, along with the highest correlation (R) value of 0.9785. The ARIMA–Gradient Boosting model also demonstrated competitive performance with an MSE of 14,126.60 and a MAPE of 0.9434%. These findings indicate that the hybrid approach is effective in enhancing the accuracy and stability of stock price predictions and can serve as a promising alternative in historical data-based financial market analysis.
Multi-Criteria Decision Making dalam Seleksi Fitur Ensemble untuk Prediksi Cacat Perangkat Lunak Fikri, Muhammad; Herteno, Rudy; Adi Nugroho, Radityo; Wahyu Saputro, Setyo; Abadi, Friska
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025125

Abstract

Prediksi cacat perangkat lunak merupakan upaya strategis dalam meningkatkan kualitas produk melalui identifikasi dini modul yang berpotensi cacat. Kinerja prediksi dipengaruhi oleh pemilihan fitur, karena informasi yang berlebihan dan tidak relevan dapat mempengaruhi kualitas pembelajaran model. Seleksi fitur ensemble dinilai efektif dalam menyeleksi fitur yang relevan dengan menggabungkan beberapa metode seleksi fitur berbasis filter. Diperlukan mekanisme integrasi untuk menyatukan hasil dari empat teknik filter—Mutual Information, Fisher Score, Uncertainty dan Relief. Penelitian ini membandingkan empat metode Multi‑Criteria Decision Making—TOPSIS, VIKOR, EDAS, dan WASPAS—yang bekerja dengan merangking nilai relevansi fitur hasil seleksi filter tersebut. Sepuluh fitur teratas dari tiap metode kemudian dievaluasi menggunakan model Random Forest dengan metrik AUC melalui K‑Fold cross‑validation. Dari 12 dataset NASA MDP yang diuji, TOPSIS menunjukkan kinerja paling konsisten dan terbaik dengan nilai rata-rata AUC sebesar 0,8038. Temuan ini menegaskan pentingnya pemilihan metode integrasi yang tepat dalam meningkatkan akurasi prediksi cacat perangkat lunak dan memberikan panduan bagi pengembangan model yang lebih efektif.   Abstract Software defect prediction is a strategic effort to improve product quality through early identification of potentially defective modules. Prediction performance is influenced by feature selection, because redundant and irrelevant information can affect the quality of model learning. Ensemble feature selection is considered effective in selecting relevant features by combining several filter-based feature selection methods. An integration mechanism is needed to unify the results of four filter techniques—Mutual Information, Fisher Score, Uncertainty and Relief. This study compares four Multi-Criteria Decision Making methods—TOPSIS, VIKOR, EDAS, and WASPAS—which work by ranking the relevance values ​​of the filter-selected features. The top ten features from each method are then evaluated using the Random Forest model with the AUC metric through K-Fold cross-validation. Of the 12 NASA MDP datasets tested, TOPSIS showed the most consistent and best performance with an average AUC value of 0.8038. These findings emphasize the importance of choosing the right integration method in improving the accuracy of software defect prediction and provide guidance for the development of more effective models.
Analisis Sentimen Pasien terhadap Layanan Antarmedika Dentalcare Menggunakan Metode XGBoost Ahana Vidiantara, Iko Raga; Yanuarti, Rosita; Setya Rintyarna, Bagus
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025126

Abstract

Pelayanan kesehatan yang berkualitas menjadi faktor utama dalam kepuasan pasien, sebagaimana diatur dalam Peraturan Menteri Kesehatan Republik Indonesia Nomor 4 Tahun 2019 tentang Standar Pelayanan Minimal (SPM). Dalam upaya meningkatkan kualitas layanan, Praktek Mandiri Bersama Antarmedika Dentalcare menerapkan analisis sentimen berbasis data terhadap ulasan pasien yang diperoleh dari Google Maps, media sosial, dan Survei Kepuasan Pasien (SKP). Penelitian ini menggunakan algoritma Extreme Gradient Boosting (XGBoost) dengan pendekatan pembobotan Term Frequency-Inverse Document Frequency (TF-IDF) untuk mengklasifikasikan 500 ulasan pasien ke dalam dua kategori sentimen, yaitu positif dan negatif. Hasil pengujian menunjukkan bahwa model mencapai akurasi sebesar 96%, presisi 96%, dan recall 98%. Dibandingkan dengan studi terdahulu, kontribusi utama dari penelitian ini terletak pada pengembangan sistem klasifikasi otomatis berbasis web yang dapat diintegrasikan langsung ke dalam proses evaluasi layanan. Sistem ini memungkinkan manajemen klinik untuk melakukan analisis sentimen dalam mengambil keputusan berbasis data dalam rangka meningkatkan kepuasan serta kualitas layanan kesehatan gigi secara berkelanjutan.   Abstract Quality healthcare services are a key factor in ensuring patient satisfaction, as stipulated in the Indonesian Ministry of Health Regulation No. 4 of 2019 concerning Minimum Service Standards (SPM). In an effort to improve service quality, Praktek Mandiri Bersama Antarmedika Dentalcare applies data-driven sentiment analysis to patient reviews obtained from Google Maps, social media, and Patient Satisfaction Surveys (SKP). This study employs the Extreme Gradient Boosting (XGBoost) algorithm with Term Frequency-Inverse Document Frequency (TF-IDF) word weighting to classify 500 patient reviews into positive and negative sentiment categories. The model achieved an accuracy of 96%, with a precision of 0.96 and a recall of 0.98. Compared to previous studies, the main contribution of this research lies in the development of an automated web-based sentiment classification system that can be directly integrated into the clinic’s service evaluation processes. This system enables the clinic management to perform real-time sentiment analysis and make data-driven decisions aimed at continuously improving customer satisfaction and the quality of dental healthcare services.
Prediksi Penyaluran Obat Kandungan Misoprostol dengan Metode Temporal Convolutional Networks Ramadani, Nurmalita; Idhom, Mohammad; Trimono
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025126

Abstract

Aborsi ilegal di Indonesia masih menjadi permasalahan serius, terutama dengan maraknya penggunaan misoprostol yang diperjualbelikan secara ilegal. Indonesia mencatat sekitar 1,7 juta kasus aborsi per tahun, dengan 42,5 dari setiap 1.000 wanita usia subur di Pulau Jawa terlibat dalam praktik ini. Berdasarkan laporan kasus, penyalahgunaan misoprostol dapat menyebabkan komplikasi serius seperti hipertermia, hipoksia, hingga kematian akibat kegagalan multiorgan. Selain itu, ditemukan bahwa 73% obat aborsi yang dijual online mengandung misoprostol, dan lebih dari 300.000 situs penjual obat ilegal telah diblokir oleh Kementerian Komunikasi dan Informasi. Salah satu celah yang mempermudah penyalahgunaan adalah belum adanya regulasi batas kuantitas penyaluran obat tersebut. Penelitian ini menerapkan model Temporal Convolutional Networks (TCN) untuk memprediksi pola penyaluran obat misoprostol menggunakan data primer dari BPOM dengan periode 2021-2024. Hasil evaluasi menunjukkan bahwa TCN secara konsisten lebih unggul dibandingkan LSTM pada semua panjang input. TCN mencatat rata-rata penurunan NMAE sebesar 85% dan NMSE sebesar 68% dibandingkan LSTM. Pendekatan berbasis TCN ini diharapkan dapat membantu otoritas dalam meningkatkan pengawasan distribusi obat serta mendukung kebijakan pengendalian misoprostol agar tidak disalahgunakan.   Abstract Illegal abortion in Indonesia remains a serious problem, especially with the widespread use of misoprostol, which is sold illegally. Indonesia records around 1.7 million abortion cases per year, with 42.5 out of every 1,000 women of childbearing age on the island of Java involved in this practice. According to case reports, the misuse of misoprostol can lead to serious complications such as hyperthermia, hypoxia, and even death due to multi-organ failure. Additionally, it was found that 73% of abortion drugs sold online contain misoprostol, and over 300,000 illegal drug-selling websites have been blocked by the Ministry of Communication and Information. One loophole that facilitates misuse is the lack of regulations on the quantity of the drug's distribution. This study applied the Temporal Convolutional Networks (TCN) model to predict the distribution patterns of misoprostol using primary data from the Indonesian Food and Drug Administration (BPOM) for the period 2021-2024. Evaluation results show that TCN consistently outperforms LSTM across all input lengths. TCN achieves an average reduction of 85% in NMAE and 68% in NMSE compared to LSTM. This TCN-based approach is expected to assist authorities in enhancing drug distribution oversight and supporting misoprostol control policies to prevent misuse.

Page 128 of 129 | Total Record : 1288

 125   126   127   128   129 

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