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 1,338 Documents
 130   131   132   133   134 
Fitur Information Gain untuk Meningkatkan Nilai Performa Pengklasifikasi Machine Learning pada Analisis Sentimen Komentar Spam Pengguna Youtube Jasmir, Jasmir; Gunardi, Gunardi; Rohaini, Eni; Naibaho, Ronald; Sukoco, Bambang; Jasmir , Jasmir
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 2: April 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.132

Abstract

Perkembangan pesat media sosial telah memberikan ruang bagi setiap individu untuk menyampaikan pendapat, baik berupa komentar positif maupun negatif terhadap konten yang mereka akses. Kemudahan dalam memberikan opini secara daring ini berdampak pada semakin besarnya jumlah ulasan yang tersedia. Namun, volume ulasan yang sangat besar sering kali sulit untuk dianalisis secara manual dan berpotensi menimbulkan bias dalam penilaian. Untuk mengatasi permasalahan tersebut, diperlukan pendekatan otomatis melalui klasifikasi sentimen yang bertujuan mengelompokkan opini pengguna ke dalam kategori positif atau negatif. Dalam penelitian ini digunakan tiga algoritma pembelajaran mesin, yaitu Naïve Bayes (NB), K-Nearest Neighbor (KNN), dan Random Forest (RF). Data penelitian diperoleh dari public dataset UCI Machine Learning. Fokus penelitian adalah meningkatkan kinerja klasifikasi dengan memanfaatkan teknik seleksi fitur information gain. Hasil eksperimen menunjukkan bahwa penerapan information gain secara konsisten meningkatkan performa semua algoritma yang diuji, baik pada metrik akurasi, presisi, recall, maupun f1-score. Naïve Bayes awalnya memperoleh akurasi tertinggi sebesar 74,33% pada kondisi tanpa fitur tambahan. Namun, setelah penerapan information gain, algoritma KNN menunjukkan hasil paling optimal dengan akurasi mencapai 81,28% serta performa yang relatif seimbang pada semua metrik evaluasi. Sementara itu, Random Forest juga mengalami peningkatan, meskipun tidak melampaui KNN. Secara keseluruhan, penelitian ini menegaskan bahwa pemilihan fitur yang relevan melalui information gain mampu meningkatkan efisiensi dan efektivitas klasifikasi sentimen, serta dapat menjadi pendekatan yang potensial untuk menganalisis opini dalam skala besar.   Abstract The rapid growth of social media has provided individuals with the opportunity to freely express their opinions, whether positive or negative, toward the content they encounter. The increasing ease of sharing opinions online has resulted in a massive volume of user reviews. However, the large number of reviews is difficult to analyze manually and may introduce bias in interpretation. To address this issue, sentiment classification is applied to automatically categorize user opinions into positive or negative classes. In this study, three machine learning algorithms were employed: Naïve Bayes (NB), K-Nearest Neighbor (KNN), and Random Forest (RF). The dataset was obtained from the public UCI Machine Learning repository. The main objective of this research is to improve classification performance by utilizing feature selection through the information gain method. Experimental results demonstrate that applying information gain consistently enhances the performance of all evaluated algorithms across multiple metrics, including accuracy, precision, recall, and F1-score. Without feature selection, Naïve Bayes achieved the highest accuracy of 74.33%. However, after applying information gain, KNN outperformed the other algorithms by reaching an accuracy of 81.28% and exhibited balanced results across all evaluation metrics. Random Forest also showed improvement but did not surpass the performance of KNN. Overall, these findings highlight the importance of feature selection in improving both the efficiency and effectiveness of sentiment classification. Furthermore, the use of information gain proves to be a promising approach for large-scale opinion analysis, particularly in handling the high dimensionality of textual data.
Implementasi Sistem Pemantauan dan Pengendalian Pada Budidaya Jamur Tiram Berbasis Internet Of Things Menggunakan Logika Fuzzy Hidayat, Irsan Nur; Ulum, Muhamad Bahrul
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 2: April 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.132

Abstract

Jamur tiram saat ini mulai banyak dibudidayakan oleh masyarakat perkotaan. Namun, suhu dan kelembapan yang ada di perkotaan kurang sesuai untuk pertumbuhan jamur tiram yang membutuhkan suhu 24 – 27 ºC dan kelembapan 80 – 90%. Penelitian ini bertujuan untuk mengembangkan sistem berbasis Internet of Things dan Logika Fuzzy dengan Metode Tsukamoto yang dapat memantau serta mengendalikan kondisi suhu dan kelembapan pada kumbung jamur tiram. Pengujian membuktikan bahwa sistem mampu memantau kondisi suhu dan kelembapan secara real time dan menginformasikannya kepada petani. Selain itu, sistem juga terbukti dapat menjaga kondisi kumbung pada suhu rata-rata 25,96 ºC dan kelembapan rata-rata 87,18%. Penggunaan sistem ini juga berdampak positif terhadap keberhasilan pertumbuhan jamur tiram jika dibandingkan dengan jamur tiram dalam kumbung manual yang mengalami gagal panen. Dengan demikian, sistem ini telah berhasil mendukung keberhasilan budidaya jamur tiram pada lingkungan perkotaan.   Abstract Oyster mushrooms are currently being cultivated by many urban communities. However, the temperature and humidity in urban areas are not suitable for the growth of oyster mushrooms, which require a temperature of 24–27 ºC and humidity of 80–90%. This study aims to develop an Internet of Things and Fuzzy Logic-based system Fuzzy Logic using the Tsukamoto method to monitor and control temperature and humidity conditions in oyster mushroom greenhouses. Testing demonstrated that the system can monitor temperature and humidity conditions in real time and communicate this information to farmers. Additionally, the system has been proven to maintain the cultivation house conditions at an average temperature of 25.96°C and an average humidity of 87.18%. The use of this system also has a positive impact on the success of oyster mushroom growth when compared to oyster mushrooms in manual sheds that experience crop failure. Thus, this system has successfully supported the cultivation of oyster mushrooms in urban environments.
Teknologi AI pada Budidaya Vanili Menuju Pertanian Pintar: Review Notonegoro, Radityo Hendratmojo Jati; Rahayu, Dewi Agushinta; Ikasari, Diana; Kosasih, Rifki
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 2: April 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.132

Abstract

Perkembangan teknologi kecerdasan buatan dan penerapan Deep Learning telah memberikan kemudahan dalam identifikasi objek dengan bantuan mesin. Salah satu pendekatan dalam Deep Learning, yaitu Convolutional Neural Network (CNN), memiliki potensi besar untuk diterapkan di sektor pertanian, khususnya dalam pengelolaan penyakit dan hama pada tanaman. Komoditas vanili pada tahun 2022 mengalami peningkatan permintaan global yang signifikan, namun ekspor vanili Indonesia hanya memenuhi 2,63% dari total ekspor dunia. Salah satu penyebab utama rendahnya ketersediaan vanili adalah serangan penyakit dan hama yang menghambat pertumbuhannya. Penelitian ini bertujuan untuk mengeksplorasi penerapan CNN dalam mengidentifikasi penyakit pada tanaman vanili, yaitu Sclerotium, Fusarium, dan Colletotrichum. Metode yang digunakan adalah pelatihan model CNN untuk mengenali gambar tanaman yang sehat dan yang terinfeksi penyakit. Hasil penelitian menunjukkan bahwa model CNN berhasil mengidentifikasi penyakit dengan akurasi keseluruhan sebesar 71%, mencakup tanaman sehat dan yang terinfeksi penyakit. Temuan ini menunjukkan bahwa teknologi CNN dapat menjadi alat yang efektif dalam mendukung deteksi dini penyakit dan pengelolaan tanaman vanili, serta berpotensi meningkatkan produksi komoditas vanili di Indonesia. Abstract The development of artificial intelligence technology and the application of Deep Learning have made object identification easier with machine assistance. One of the approaches in Deep Learning, namely Convolutional Neural Networks (CNN), holds great potential for application in the agricultural sector, particularly in the management of diseases and pests in plants. In 2022, the global demand for vanilla significantly increased, but Indonesia's vanilla exports only accounted for 2.63% of the world's total vanilla exports. One of the main factors behind the low availability of vanilla is the attack of diseases and pests that hinder its growth. This study aims to explore the application of CNN in identifying diseases in vanilla plants, namely Sclerotium, Fusarium, and Colletotrichum. The method used involves training a CNN model to recognize images of healthy plants and those infected with diseases. The results show that the CNN model successfully identified diseases with an overall accuracy of 71%, including both healthy plants and those affected by disease. These findings suggest that CNN technology can be an effective tool in supporting early disease detection and the management of vanilla plants, with the potential to increase vanilla production in Indonesia.
Tinjauan Literatur Tentang Event Log dan Process Mining: Implementasi, Tools, dan Algoritma Nafisah, Nurun; Yamasari, Yuni
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 2: April 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.132

Abstract

Analisis event log melalui process mining telah digunakan secara luas untuk mengeksplorasi pola perilaku dalam berbagai domain, terutama pendidikan dan game. Pendekatan ini memanfaatkan alat bantu seperti Disco, ProM, dan metode berbasis machine learning untuk menggali pola perilaku, memahami proses, dan mengevaluasi hasil. Penelitian ini menggunakan metode Systematic Literature Review (SLR) dengan teknik Critical Appraisal Skills Programme (CASP) untuk memastikan kualitas dan validitas studi yang dianalisis. Dari total 48 artikel yang ditemukan, sebanyak 30 artikel lolos tahap seleksi, dan 18 artikel dinyatakan layak untuk dianalisis lebih lanjut. Dalam domain pendidikan, analisis menunjukkan perbedaan signifikan dalam pola belajar siswa, seperti perilaku kelompok dengan nilai tinggi yang cenderung konsisten dibandingkan kelompok dengan nilai rendah. Pola akses ke Learning Management System (LMS) dihubungkan dengan capaian akademik, memberikan wawasan tentang hubungan antara aktivitas belajar dan hasil pembelajaran. Di sisi lain, dalam domain game, algoritma process mining digunakan untuk mengidentifikasi kesalahan pemain, mengevaluasi jalur normatif, dan menganalisis keterkaitan antara model proses dan performa pemain. Hasilnya menunjukkan bahwa algoritma seperti Inductive Miner, Heuristic Miner, dan Fuzzy Miner memberikan fitness model tinggi (0,9–1,0) dan mampu mengekstraksi pola perilaku yang signifikan. Penggunaan tools seperti ProM dan Disco memungkinkan visualisasi model proses yang intuitif, sementara algoritma berbasis machine learning seperti XGBoost memberikan akurasi tinggi dalam memprediksi hasil berdasarkan data event log. Secara keseluruhan, hasil studi menegaskan bahwa process mining berperan penting dalam mengungkap pola perilaku kompleks serta mendukung peningkatan efektivitas pembelajaran dan evaluasi performa pengguna di berbagai domain.   Abstract Event log analysis through process mining has been widely used to explore behavioural patterns in various domains, particularly education and gaming. This approach utilizes Disco, ProM, and machine learning to examine behavioural patterns, understand processes, and evaluate results. This study employed a Systematic Literature Review (SLR) with the Critical Appraisal Skills Programme (CASP) technique to ensure the quality and validity of the analyzed studies. Of the 48 articles found, 30 passed the selection stage, and 18 were deemed suitable for further analysis. In the education domain, the analysis revealed significant differences in student learning patterns, such as the behaviour of high-scoring groups tending to be more consistent than that of low-scoring groups. Access patterns to Learning Management Systems (LMS) were linked to academic achievement, providing insight into the relationship between learning activities and learning outcomes. Process mining algorithms were used in the gaming domain to identify player errors, evaluate normative pathways, and analyze the relationship between process models and player performance. The results show that algorithms such as Inductive Miner, Heuristic Miner, and Fuzzy Miner provide high model fitness (0.9–1.0) and can extract significant behavioural patterns. Tools such as ProM and Disco allow for intuitive visualization of process models. In contrast, machine learning-based algorithms such as XGBoost provide high accuracy in predicting outcomes based on event log data. The study results confirm that process mining is crucial in uncovering complex behavioural patterns and supporting improved learning effectiveness and user performance evaluation across various domains.  
Implementasi Deep Learning Algoritma Convolutional Neural Network untuk Klasifikasi Kesegaran Buah dan Sayur Latifa, Annisa; Hikmah, Nor; Kurniawan, Hendra; Rohmat Hidayat, Kardilah
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 2: April 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026131

Abstract

Buah dan sayur merupakan sumber utama vitamin, mineral, dan serat yang sangat penting untuk menjaga kesehatan tubuh. WHO merekomendasikan konsumsi sebesar 400 gram per hari untuk gizi seimbang. Namun, kualitas dan kesegaran buah dan sayur sering kali sulit diidentifikasikan secara manual, terutama dalam skala besar, karena metode tradisional memiliki keterbatasan akurasi dan rentan terhadap kesalahan manusia. Kemajuan kecerdasan buatan, khususnya deep learning, memberikan solusi inovatif dalam klasifikasi citra. Convolutional Neural Network (CNN), telah terbukti efektif dalam pengenalan dan klasifikasi gambar. Penelitian ini menerapkan CNN dengan arsitektur Inception V3 dalam mengklasifikasikan kesegaran buah dan sayuran menjadi dua kategori utama, yaitu segar dan busuk. Model dikembangkan menggunakan dataset yang terdiri dari 11. 441 citra yang gambar, yang dibagi ke dalam tiga subset utama, yaitu data latih (±44.38%), data validasi (±11.07%), dan data uji (±44.55%). Dengan data kelas terbagi 14 kelas. Hasil penelitian  dengan menggunakan confusion matric  nilai accuracy sebesar 95%  dan hasil evaluasi validation accuracy  sebesar 100% pada epoch ke-4, dengan val_loss terendah sebesar 0.0260  serta nilai MAE  0.26, yang artinya model memiliki kinerja yang sangat baik  dalam mendekteksi kesegaran  buah dan sayur. Penelitian lanjutan disarankan untuk meningkatkan generalisasi model dengan menggunakan dataset yang lebih beragam, dan mengintegrasikan komputasi tepi (edge computing) untuk inspeksi kualitas langsung di Lokasi.   Abstract Fruits and vegetables are primary sources of vitamins, minerals, and fiber, which are essential for maintaining a healthy body. The World Health Organization (WHO) recommends a daily intake of 400 grams for a balanced diet. However, the quality and freshness of fruits and vegetables are often difficult to identify manually, especially at large scale, as traditional methods have limitations in accuracy and are prone to human error. Advances in artificial intelligence, particularly deep learning, offer innovative solutions in image classification. Convolutional Neural Networks (CNNs) have proven effective in image recognition and classification tasks. This study implements a CNN using the Inception V3 architecture to classify the freshness of fruits and vegetables into two main categories: fresh and rotten. The model was developed using a dataset consisting of 11,441 images, divided into three main subsets: training data (approximately 44.38%), validation data (approximately 11.07%), and test data (approximately 44.55%), with 14 distinct classes. The results of the study, based on the confusion matrix, show an accuracy of 95%, and a validation accuracy of 100% at the 4th epoch, with the lowest validation loss recorded at 0.0260 and a MAE of 0.26. These results indicate that the model performs very well in detecting the freshness of fruits and vegetables. Further research is recommended to improve model generalization using more diverse datasets and to integrate edge computing for on-site quality inspection.
Perancangan Sistem Pakar untuk Diagnosis Anemia Menggunakan Support Vector Machine Tita, Faldy; Tita, March Veraldo; Athariq, Fadhiil Dhiaurrahman; Andariyanto, Mutiara Tyas Putri
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 2: April 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.132

Abstract

Anemia merupakan gangguan kesehatan yang dapat berdampak serius terhadap kualitas hidup, sehingga diagnosis dini yang cepat dan akurat sangat diperlukan. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem pakar berbasis Support Vector Machine (SVM) untuk membantu diagnosis anemia berdasarkan parameter darah tertentu. Dataset yang digunakan dalam penelitian ini berasal dari Kaggle (anemia.csv), yang terdiri dari 1421 sampel dengan fitur numerik seperti jenis kelamin, kadar hemoglobin, MCH, MCHC, dan MCV. Model SVM dengan kernel Radial Basis Function (RBF) diterapkan untuk mengklasifikasikan individu yang mengalami anemia dan yang tidak. Hasil pengujian menunjukkan bahwa model memiliki akurasi tinggi sebesar 98.6%, dengan nilai presisi dan recall yang stabil di atas 96%. Model ini hanya menghasilkan 2 kesalahan klasifikasi untuk masing-masing kategori false positive dan false negative, menunjukkan tingkat kesalahan yang sangat rendah. Dengan performa yang unggul, sistem pakar berbasis SVM ini berpotensi menjadi alat bantu diagnosis anemia yang dapat membantu tenaga medis serta individu dengan keterbatasan akses terhadap fasilitas kesehatan. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan teknologi kecerdasan buatan di bidang medis, khususnya untuk diagnosis penyakit berbasis data.   Abstract Anemia is a health disorder that can have a significant impact on quality of life, making early and accurate diagnosis crucial. This study aims to design and develop an expert system based on Support Vector Machine (SVM) to assist in the diagnosis of anemia using specific blood parameters. The dataset used in this study was obtained from Kaggle (anemia.csv), consisting of 1,421 samples with numerical features such as gender, hemoglobin levels, MCH, MCHC, and MCV. The SVM model with a Radial Basis Function (RBF) kernel was applied to classify individuals as anemic or non-anemic. The test results show that the model achieves a high accuracy of 98.6%, with precision and recall values consistently above 96%. The model only produced two misclassifications in both the false positive and false negative categories, indicating a very low error rate. With its excellent performance, the SVM-based expert system has the potential to become a diagnostic aid for anemia, particularly benefiting healthcare professionals and individuals with limited access to medical facilities. This study is expected to contribute to the development of artificial intelligence technology in the medical field, specifically for data-driven disease diagnosis.
Prediksi Resiko Penggunaan Media Sosial Terhadap Kesehatan Mental Menggunakan Exploratory Data Analysis (EDA) dan Cross Industry Standard Process For Data Mining (CRISP-DM) Ayuning Tyas, Fitri; Basir, Azhar; Ardhin, Amira Elistya
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 2: April 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026133

Abstract

Media sosial telah menjadi bagian penting dalam kehidupan masyarakat, namun peningkatan penggunaannya sering dikaitkan dengan dampak negatif terhadap kesehatan mental seperti stres, adiksi, FoMo, dan insomnia. Upaya prediksi risiko penggunaan media sosial dapat membantu menjaga kesehatan mental dengan memanfaatkan teknik data mining. Penelitian ini menggunakan metodologi CRISP-DM sebagai kerangka utama serta Exploratory Data Analysis (EDA) untuk mengidentifikasi tren dan anomali yang mendukung proses pemodelan. Beberapa algoritma supervised learning seperti C4.5, k-NN, dan Naïve Bayes diterapkan untuk memprediksi dampak negatif penggunaan media sosial terhadap kesehatan mental. Hasil eksperimen menunjukkan bahwa Naïve Bayes memberikan kinerja terbaik dengan akurasi tertinggi sebesar 92,5%, melampaui C4.5 dan k-NN. Integrasi EDA dan CRISP-DM terbukti menghasilkan model prediksi yang akurat, meskipun penerapan EDA memerlukan waktu tambahan dalam analisis. CRISP-DM berperan penting dalam menyediakan kerangka kerja yang sistematis sehingga membantu peneliti bekerja lebih terstruktur dan mengurangi risiko kesalahan. Selain itu, temuan memperlihatkan bahwa semakin lama seseorang menggunakan media sosial, semakin besar dampak negatif yang dialami, terutama bagi mereka yang menghabiskan waktu lebih dari lima jam per hari. Secara keseluruhan, hasil penelitian ini memberikan kontribusi terhadap pengembangan model prediksi berbasis data mining dan dapat menjadi landasan bagi upaya pencegahan gangguan kesehatan mental akibat penggunaan media sosial.   Abstract Social media has become an integral part of modern life, enabling users to express feelings and opinions. However, its increasing use has been linked to negative impacts on mental health, such as stress, addiction, FoMo, and insomnia. Predicting the risks associated with social media use can help maintain mental well-being, and this can be achieved through data mining techniques. This study applies the CRISP-DM methodology as the main framework, complemented by Exploratory Data Analysis (EDA) to identify trends and anomalies that support the modeling process. Several supervised learning algorithms, including C4.5, k-NN, and Naïve Bayes, were employed to predict the negative impact of social media use on mental health. Experimental results show that Naïve Bayes achieved the best performance with the highest accuracy of 92.5%, outperforming both C4.5 and k-NN. The integration of EDA and CRISP-DM proved effective in producing accurate predictive models, although EDA required additional time for data analysis. CRISP-DM played a crucial role in providing a systematic framework, enabling researchers to work more structurally and minimizing the risk of errors. Furthermore, findings indicate that the longer individuals spend on social media, the greater the negative impact they experience, particularly among those using it for more than five hours per day. Overall, this study contributes to the development of predictive models based on data mining and provides insights that may support preventive efforts against mental health issues caused by excessive social media use.
Perbandingan Algoritma Naïve Bayes dan Random Forest dalam Klasifikasi Sentimen Ulasan Pengguna Kredivo di Play Store Ichsansyah, Rifki Fahrezi Putra; Subektiningsih, Subektiningsih
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 2: April 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.132

Abstract

Analisis sentimen merupakan pendekatan penting untuk memahami opini pengguna terhadap aplikasi digital. Penelitian ini bertujuan mengklasifikasikan sentimen ulasan pengguna terhadap aplikasi Kredivo di Google Play Store dengan menerapkan algoritma Naïve Bayes dan Random Forest. Sebanyak 2.000 ulasan diperoleh melalui proses scraping dan diproses melalui tahapan preprocessing, meliputi cleaning, case folding, labeling, normalisasi, stopword removal, tokenizing, dan stemming. Untuk mengatasi ketidakseimbangan kelas sentimen, digunakan teknik SMOTE (Synthetic Minority Oversampling Technique). Hasil evaluasi menunjukkan bahwa Naïve Bayes menghasilkan akurasi 82% dengan precision tertinggi pada kelas positif (95,40%), sedangkan Random Forest mencapai akurasi 91% dengan precision sempurna pada kelas negatif (100%). Perbandingan ini menunjukkan bahwa Random Forest memiliki performa yang lebih stabil dan unggul dalam menangani variasi sentimen. Penelitian ini membuktikan bahwa kombinasi preprocessing yang tepat dan pemilihan algoritma yang sesuai dapat meningkatkan performa klasifikasi sentimen. Temuan ini berkontribusi dalam pengembangan sistem analitik ulasan pengguna, yang dapat dimanfaatkan oleh pengembang aplikasi dan pelaku industri fintech untuk meningkatkan kualitas layanan berbasis data opini pengguna.   Abstract  Sentiment analysis plays a crucial role in understanding user opinions toward digital applications. This study aims to classify user reviews of the Kredivo application on the Google Play Store using the Naïve Bayes and Random Forest algorithms. A total of 2,000 reviews were collected through web scraping and processed through several preprocessing stages, including cleaning, case folding, normalization, stopword removal, tokenizing, and stemming. To address class imbalance, the SMOTE (Synthetic Minority Oversampling Technique) method was applied. Evaluation results show that Naïve Bayes achieved an accuracy of 82%, with the highest precision in the positive class (95.40%), while Random Forest outperformed with 91% accuracy and perfect precision in the negative class (100%). These findings indicate that Random Forest is more effective in handling diverse sentiment distributions. This study highlights the importance of proper preprocessing and algorithm selection in improving sentiment classification performance. The findings offer practical contributions for developing user review analytics systems, which can support application developers and fintech industry players in enhancing service quality based on user opinion data.
Rancang Bangun Sistem Pemantauan Kebisingan Berbasis IoT pada Jam Tenang di Asrama Mahasiswa Lalujan, Virginia; Prathama, Aditya Heru; Irawan, Jo'el Evander Nathanael; Christopher, Pixel Ariel; Silpinus, Davin Edbert
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 2: April 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.132

Abstract

  Kesempatan tinggal di asrama selama masa studi membawa banyak manfaat bagi mahasiswa, seperti akses cepat ke fasilitas kampus, pengalaman hidup mandiri dalam komunitas, dan lingkungan yang tenteram untuk mendukung produktivitas akademik. Manfaat tersebut hanya dapat terwujud apabila ketenangan lingkungan asrama terjaga secara konsisten, khususnya pada periode jam tenang (quiet hour) yang diperuntukkan bagi belajar dan istirahat. Namun, pengelolaan kebisingan masih menjadi tantangan yang sering dikeluhkan oleh pamong asrama. Penelitian ini menyajikan rancang bangun sistem pemantauan kebisingan berbasis IoT untuk lingkungan asrama mahasiswa selama jam tenang. Sistem dirancang untuk pemantauan pada tingkat kamar dengan penempatan satu Noise Detection Kit (NDK) per kamar pada skenario target implementasi. NDK merupakan perangkat ringkas dan portabel sehingga memungkinkan implementasi simultan pada banyak titik. Pada tahap realisasi, sistem diimplementasikan secara terbatas pada sepuluh kamar terpilih sebagai sampel untuk memvalidasi kinerja dan fungsionalitas. Sistem mengintegrasikan sound sensor, NodeMCU, serta komunikasi MQTT dan Node-RED untuk visualisasi data melalui web dashboard dan mobile notifications via Telegram. Pada kondisi bising (>55 dB), indikator LED pada dashboard berubah menjadi merah disertai informasi kebisingan, log aktivitas, serta opsi aktivasi buzzer oleh pamong. Kebisingan kontinu lebih dari 5 detik memicu notifikasi otomatis ke ponsel pamong. Sensor dikalibrasi menggunakan Sound Level Meter (SLM) dengan MAE 1,02 dan RMSE 1,44, menunjukkan kinerja deteksi yang handal. Sistem ini memungkinkan pengelolaan kebisingan secara otomatis, objektif, real time, dan kontinu. Dibandingkan perangkat komersial sejenis atau SLM, sistem yang dikembangkan menawarkan solusi yang lebih ekonomis dengan skalabilitas yang lebih tinggi, serta peningkatan efisiensi seiring bertambahnya luas asrama yang dikelola.   Abstract Living in student dormitory during study period provides many benefits, including quick access to campus facilities, independent living experience within communities, and calm environment that supports academic productivity. These benefits can only be realized if dormitory environment remains consistently quiet, particularly during quiet hours intended for studying and resting. However, noise management remains a challenge frequently reported by dormitory supervisors. This study presents design and development of an IoT-based noise monitoring system for student dormitories during quiet hours. It is designed for room-level monitoring by deploying one Noise Detection Kit (NDK) per room in the target scenario. The NDK is compact and portable, enabling simultaneous deployment at multiple monitoring points. During implementation phase, the system was deployed on a limited scale in ten selected rooms as samples to validate system performance and functionality. The system integrates sound sensor, NodeMCU, MQTT, and Node-RED to enable data visualization through web-based dashboard and mobile notifications via Telegram. When noise levels exceed 55 dB, the dashboard LED indicator turns red and displays noise information, activity logs, and an option for supervisors to activate a buzzer. Continuous noise lasting more than 5 seconds triggers automatic notifications to the supervisor’s phone. The sensor was calibrated using a Sound Level Meter (SLM), achieving MAE of 1.02 and RMSE of 1.44, indicating reliable noise detection performance. The system enables automatic, objective, real-time, and continuous noise management. Compared to commercial devices or standalone SLMs, the proposed system is more economical and scalable, with increasing efficiency as dormitory area expands.
Komparasi Algoritma K-Means Kluster + Weighted Product Dengan Algoritma K-Means Kluster + Simple Additive Weighting pada Pengelompokan Potensi Wisata Di Indonesia Muqorobin, Muqorobin; Indriastiningsih, Erna
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 2: April 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.132

Abstract

Penelitian ini bertujuan membandingkan efektivitas dua pendekatan hibrida, yaitu K-Means Clustering dengan metode Weighted Product (WP) dan Simple Additive Weighting (SAW), dalam pemetaan potensi wisata di Indonesia pada konteks pasca-pandemi. Data penelitian berasal dari 456 destinasi wisata, dengan 40 data terpilih yang digunakan dalam proses analisis berdasarkan kelengkapan dan konsistensi atribut. Tahapan penelitian meliputi pra-pemrosesan data, klasterisasi menggunakan algoritma K-Means, serta perankingan hasil klaster dengan metode WP dan SAW. Evaluasi kualitas klaster dilakukan menggunakan Silhouette Coefficient. Hasil penelitian menunjukkan bahwa kombinasi K-Means + WP menghasilkan nilai Silhouette sebesar 0,62, lebih tinggi dibandingkan K-Means + SAW sebesar 0,59, yang mengindikasikan pemisahan klaster yang lebih baik. Temuan ini menunjukkan bahwa pendekatan multiplikatif pada WP lebih efektif dalam mempertegas perbedaan karakteristik antar klaster, sehingga dapat digunakan sebagai metode pendukung pengambilan keputusan dalam pemetaan potensi wisata pasca-pandemi.   Abstract This study aims to compare the effectiveness of two hybrid approaches, namely K-Means Clustering with the Weighted Product (WP) method and Simple Additive Weighting (SAW), in mapping tourism potential in Indonesia in the post-pandemic context. The research data comes from 456 tourist destinations, with 40 selected data used in the analysis process based on the completeness and consistency of attributes. The research stages include data pre-processing, clustering using the K-Means algorithm, and ranking the cluster results using the WP and SAW methods. Cluster quality evaluation was carried out using the Silhouette Coefficient. The results show that the combination of K-Means + WP produces a Silhouette value of 0.62, higher than K-Means + SAW at 0.59, indicating better cluster separation. These findings indicate that the multiplicative approach in WP is more effective in emphasizing the differences in characteristics between clusters, so it can be used as a decision-support method in mapping post-pandemic tourism potential.

Page 133 of 134 | Total Record : 1338

 130   131   132   133   134 

Filter by Year

2014 2026


Reset
Filter By Issues
All Issue Vol 13 No 2: April 2026 Vol 13 No 1: Februari 2026 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